使用合成数据和领域自适应，可以将在真实世界中所需的样本数缩减至只使用随机生成的合成对象，并且可以使用无标签的真实世界数据和 GraspGAN 方法来获得类似于使用 939,777 个标记的真实世界样本所达到的真实世界抓取性能。

Sep, 2017

探究了一种称为 “Domain Randomization” 的技术，该技术使用非真实随机纹理来训练深度神经网络对象定位器，使得该定位器在真实环境中表现出色，并且可以应用于机器人控制中。

Mar, 2017

本论文提出了基于深度神经网络的强化学习在机器人抓取任务中的应用，以及利用生成模型进行图像仿真与真实环境之间的过渡。其中引入了 RL-scene 一致性损失用于图像翻译，可保证翻译操作是不变的，并在实现无监督领域转换的同时，训练出了 RL-CycleGAN 模型，该模型表现出了模拟到现实环境下最优的效果。

Jun, 2020

本研究探讨了如何利用自动生成的抓取方法来解决机器人在实际环境中获取对象的问题，并就域随机化、从仿真到实际的转移性等问题进行了分析和研究。

Oct, 2023

本研究提出了一种名为深度生成对齐网络（DGCAN）的深度生成模型，采用新颖的模型域对齐算法通过形状保持损失和低层次统计匹配损失来最小化合成图像和真实图像之间的深度特征空间差异，实验表明，将这些新生成的数据用于训练现成的分类器可以显著提高性能。

Jan, 2017

该研究利用领域随机化和对抗生成网络在模拟环境中训练工业电器零件的近实时目标检测器。结果显示，使用合成图像和 GAN 翻译的图像进行训练可以在检测和分类一组工业电器零件中达到超过 0.95 的平均精度。

May, 2018

通过使用深度学习，机器人抓取技术在数据可用性和算法改进方面取得了显著进展。在本文中，我们探索了一种新的数据生成管道，用于训练深度神经网络执行抓取规划，并提出了一种自回归的抓取规划模型，其将场景的传感器输入映射到可能的抓取概率分布。最终，我们在以前从未见过的物体上实现了 90% 以上成功率。

Oct, 2017

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

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

通过在模拟环境中学习视觉运动策略，我们提出了一种通过视觉域随机化方法来解决模拟与真实世界之间差异的问题，并在丰富的机器人操作任务中进行了基准测试。我们的方法在各种挑战性的操纵任务中取得了 93% 的成功率，并证明了模拟器训练的策略在真实场景中的视觉变化下具有更好的鲁棒性。

Jul, 2023