本论文提出了一种可微分的多指抓取生成网络（DMFC-GraspNet），通过引入新的抓取表示和密集标签映射方法，使得多指机器人抓取更加灵活、密集，推动了机器人抓取领域的发展。

Aug, 2023

本文提出了一种新颖的端到端 “Grasp Proposal Network (GPNet)”，基于离散但规则的 3D 网格角上的 “抓握中心锚点”，用于预测从单个和未知相机视图观察到的物体的多样化 6-DOF 抓握，这有助于实现更好的仿真结果和更好的实际测试结果。

Sep, 2020

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

本论文提出了一种新颖的机器人抓取检测系统，该系统使用深度卷积神经网络从场景中提取特征并使用浅层卷积神经网络来预测感兴趣目标的抓取配置，取得了 89.21％的准确率和实时的运行速度，重新定义了机器人抓取检测的技术水平。

Nov, 2016

本文提出了一种基于神经网络的学习方法，用于表示高自由度手的抓握姿势，并生成一个包含多种可能抓握的扩充数据集以避免模型的不确定性。该方法使用一致性损失函数和碰撞损失函数进行训练，在多个数据集上均取得了高精度，同时可以应用于噪声对象模型。

Mar, 2019

本篇论文提出了一种利用深度神经网络进行无监督或有限监督机械抓取学习的算法，该算法包括机械臂前向运动、与目标物体的碰撞检测、抓取姿态评价指标的构建，并且通过优化问题的敏感度分析提出了通用的 Q1 抓取评价指标，其中用到 watertight 三角形网格，实现了在各种 3D 形状数据集上比传统方法更高效率和鲁棒度的抓取姿态的学习和训练。

Feb, 2020

本文介绍了一种基于学习抓取提案网络和学习三维形状重建网络的机器人抓取规划方法，使用几何重建来优化抓取提案网络生成的抓取点，实现了在图像中看不到抓取位置的情况下，对已知和未知物体进行准确抓取。实验结果表明，与其他模型相比，该方法在抓取任务中取得了更高的成功率。

Mar, 2020

运用深度学习方法解决机器人抓取问题，通过多模态组规则化结构化正则化权重来处理多模态输入，实现了比之前最先进方法更好的效果，可成功在两个不同的机器人平台上执行抓取。

Jan, 2013

利用有限或无先验知识的握取问题是辅助机器人领域的高度相关技能。我们提出了一个基于深度学习的新型、快速且高保真度的流程，其中包括一个基于单深度图像的形状补全模块，以及一个基于预测对象形状的握取预测器。该流程在物理机器人平台上成功地实现了对各种家庭物品的握取。

Oct, 2023

本文提出了一种深度学习架构，用于预测机器人操作的适合抓取的位置，通过使用 RGB-D 图像输入的深度神经网络实现对单个或多个对象的多个抓取候选项的预测，实验表明该方法在 Cornell 数据集上表现优于其他方法，在掌握实验中也获得了不错的成功率。

Feb, 2018