使用 Dex-Net 2.0 生成的合成数据集训练了一个 Grasp Quality Convolutional Neural Network (GQ-CNN) 模型，实现了在深度图像中规划机械手抓取的快速、准确计算，并在实验中显示，其在处理单个对象上的成功率高达 93％，速度是使用点云计算对象的预计算数据集并索引抓取的模型快 3 倍。

Mar, 2017

通过物理模型、大规模数据集、在线评估系统和 RGB-D 图像实验，研究吸盘抓取并提出相关算法。

Mar, 2021

本论文提出了一种端到端的夹持评估模型 (PointNetGPD)，可以直接从三维点云中定位机器人夹持配置，采用 350k 点云与夹持数据集来训练，并经过在仿真和实际机器人硬件上的实验测试，结果表明该模型具有较好的泛化性并优于现有的方法。

Sep, 2018

该论文提出了一种用于多吸盘吸取夹具的无模型预测抓取姿势的新方法，通过神经网络预测了图像中像素级别的抓取质量，进而确定了最佳夹具选择和相应的抓取姿势，同时引入了一种用于训练抓取质量网络的自动标注方法。在具有不同难度的实际工业应用中进行的实验评估证明了我们方法的有效性。

Jul, 2023

通过分析三维点云中的对象几何形状（简单和复杂），提出了一种基于 PointGrasp 的实时系统，用于识别日常生活中的家居场景，并支持和增强日常活动中的定制化端到端抓取任务，实现可达对象的定位和识别。该系统在简单和复杂几何形状的情况下，平均 RMSE 为 0.8±0.39 cm 和 0.11±0.06 cm，展示了在视觉驱动的机器人辅助康复手动任务中的潜力。

Mar, 2024

本研究旨在利用深度传感器扫描的大型在线数据集来训练卷积神经网络，通过两种新的抓取候选表示方法实现对 6 自由度抓取候选的分类来提高抓取方法的成功率，在 Baxter 研究机器人上的实验中，相对于以前的研究成果，我们的方法有了 20％的提高，平均抓取成功率达到了 93％。

Mar, 2016

Sim-Suction 是在动态摄像机视角下针对移动操作平台设计的鲁棒的物体感知吸盘夹持策略。它包括 Sim-Suction-Dataset，这是一个基于分析模型和动态物理仿真相结合的基准合成数据集，用于生成精确的吸盘夹持位姿注释信息，并利用其中的点云可视化信息从 Sim-Suction-Dataset 中学习点云特征，实现在复杂混杂环境中的可靠夹取。

May, 2023

本研究提出使用点云观测学习通用的机器人灵巧抓取，将任务分为抓取提案生成和目标条件抓取执行两个阶段，并使用目标条件抓取策略取代运动规划以提高通用性，在大规模机器人灵巧抓取数据集的平凡模型下，通过采样生成高质量多样化的抓取姿势，实现了普适性的抓取方法。

Mar, 2023

通过一种端到端的神经网络，将深度记录的场景直接转化为 6 个自由度平行夹具抓取的分布，其独特的抓取表示法将点云的 3D 点作为潜在的抓取接触点，并将 6 个自由度的抓取姿态与宽度根据观察到的点云减少到 4 个自由度，成功率可达 90% 以上。

Mar, 2021

本文介绍了一个大规模机器人灵巧抓取数据集 DexGraspNet，由于我们提出的高效合成方法生成，可以普遍应用于任何灵巧的机械手。结果显示我们的数据集比以前的具有更多物体和抓取、更高的多样性和质量，并通过多个算法在本数据集上进行的训练，大幅提高了机器人灵巧抓取的准确性。

Oct, 2022