本文提出了一种新颖的机器人抓取系统，由气泡吸盘和机械手抓手组成。利用可供性地图提供像素级的气泡吸盘升力点候选物，并引入主动探索机制，设计了一种有效的度量来计算当前可供性地图的奖励，并使用深度 Q 网络（DQN）指导机器人手探索环境，实验结果表明，所提出的机器人抓取系统能够大大提高在混乱场景中的机器人抓取成功率。

Feb, 2023

通过利用机器人的可达性、环境的 RGB-D 图像和占用栅格图，提出了一种服务机器人工作流中的机器人位置选择算法，通过选择机器人位置以实现成功抓取目标对象，从而与现有的基线实现相比，改善了机器人在具有挑战性位置上抓取目标物体的能力。

May, 2024

本研究提出了一种基于部分点云观察的，用于在杂乱场景中规划指定物体 6 自由度抓取的方法，其性能比基线方法高出 17.6%，能够成功清理包含 23 个未知物体和 51 次抓取操作的 9 个杂乱桌面场景，并利用我们学习到的碰撞检查模块来推理有效的抓取顺序，以检索不易到达的物体。

Dec, 2019

Robotic manipulation of ungraspable objects is improved using the PreAfford pre-grasping planning framework, leading to a significant increase in grasping success rates.

Apr, 2024

本文提出了一种基于属性的机器人抓取的端到端学习方法，利用门控 - 注意力机制融合了工作空间图像和查询文本的嵌入，学习预测实例抓取可行性，并利用抓取前后的对象持久性学习了视觉和文本属性的联合度量空间。模型在模拟中自我监督，可推广到新的对象和真实场景，并演示了只用一个抓取数据即可适应新对象的能力。在未知对象上，实验结果表明，我们的方法实现了超过 80％的实例抓取成功率，优于几个基准模型。

Apr, 2021

该论文提出了一种使用简单容积表示法进行机器人夹取和约束放置的算法框架，并通过真实物理实验展示了该方法的成功率和更快的执行时间。

Jun, 2020

该研究提出一种应用基于机器学习的灵活取放技术实现对物体的自主操作方法，通过学习与仿真操作降低了对于物体模型的需求。

Jun, 2020

这项研究关注于在人类中心环境中操作的机器人，通过整合视觉定位和抓握能力，根据用户指令高效操纵物体。首先创建了一个基于 OCID 数据集中杂乱室内场景的难题基准，其中生成指代表达式并与 4 自由度的抓握姿势相连接，然后提出了一种新颖的端到端模型（CROG），利用 CLIP 的视觉定位能力直接从图像 - 文本对中学习抓握综合。实验结果表明，CROG 在挑战性基准测试中显著改善了定位和抓握能力，经过模拟和硬件的广泛机器人实验证明了该方法在具有杂乱物体的挑战性交互抓握场景中的有效性。

Nov, 2023

通过实验数据，证明使用考虑摩擦力的神经网络在多物体抓取问题中可以显著提高成功率、提高拿取效率、降低规划时间

Oct, 2022

本文针对机器人在无序的环境中进行多物体放置提出了一种学习方法，通过设计适当特征和运用图形模型对各种属性进行编码，并在模型中运用整数线性规划进行推理和求解，最终在 16 个品类、40 个区域内对 98 个物体进行了广泛的评估和实验，其结果表明本方法在对已知物体放置情况的成功率达 98%，并且在对新物体进行稳定放置的情况下成功率为 82%。

Feb, 2012