使用真实世界中的人类活动 RGB 数据集来教授机器人任务导向抓取（TOG），可以训练一个根据 RGB 图像预测手姿态和物体姿态及形态的模型，并在真实世界数据集上显示其可行性和竞争力，同时在机器人上展示了 TOG 的效果。

Oct, 2019

提出了一种基于数据生成和模拟到真实世界迁移学习的机器人抓握框架，该框架通过减少模拟和实际之间的差距，解决了数据稀疏、传感器数据和接触模型不准确等问题，在单一物品、复杂形状物品和多物品的机器人抓握场景下分别获得了 90.91%、85.71% 的高成功率。

Jan, 2023

通过模拟学习，本文提出了一种用于学习工业物体的任务相关抓取的框架，同时提出了一种新颖的分类层面的物体中心规范表示，可以在物体实例之间建立密集通信，并将任务相关抓取传递到新实例中。

Sep, 2021

本篇研究报告介绍了一种学习从人类示范中获得机器人抓取技能的方法，该方法使用深度强化学习技术通过接触网奖励和领域随机化机制使机器人具有稳健的模仿抓取技能并能在具有不确定性的物体状态和形状中执行。

Mar, 2022

研究如何通过图神经网络来训练机器人学习常识知识以及如何使用物体作为工具完成任务，同时关注在缺失某些已知工具的情况下如何进行泛化。

May, 2021

本文提出一种基于多任务领域适应的框架来解决机器人抓取的训练数据收集和标注的问题，借助仿真机器人实验来对杂乱场景下的抓取进行实例化，并通过领域对抗性损失将训练好的模型转移到真实机器人系统中，经过实际机器人实验的评估表明本文所提出的模型准确性比其他模型结构及基准模型都要高。

Oct, 2017

通过我们提出的一种新方法，仅使用单个演示，我们实现了工具使用行为的强化学习，通过给予初值设定和形状奖励信号的引导来解决多指机械手抓取配置的推广问题，并实现复杂的工具使用任务并在测试时推广到未见过的工具。

Jul, 2023

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

本文旨在结合两种方法，实现对自然环境中物体的功能性抓取。首先，通过匹配不同物体的相应区域来获取各物体的可负担性，然后在模拟中运行一个经过训练的低级策略来抓取物体。我们提出了一种新颖的使用特征抓取来减少强化学习搜索空间的应用，使用少量人类数据实现更稳定和物理上逼真的运动。实验结果可在该 URL 中获得可视化和视频。

Dec, 2023

提出了一种基于在线抓取姿势融合的可抓取性感知移动操作方法，用于在接近目标并抓取时有效观察目标，通过通过在线整理抓取姿势，消除冗余和异常值，并将其编码为一个抓取姿势观察状态，用于强化学习。此外，实时融合抓取姿势可直接评估抓握可行性，包括抓握姿势的数量和质量。

Sep, 2023