机器人抓取通常遵循五个阶段：物体检测、物体定位、物体姿态估计、抓取姿态估计和抓取规划。本论文关注于物体姿态估计，我们的方法依赖于物体的多个视角、相机在这些视角下的外部参数以及物体的 3D CAD 模型。我们通过优化不可区分渲染进行了粗略的姿态估计的细化，避免了点云或深度图像等其他信息的需求，并在 ShapeNet 数据集上验证了我们的物体姿态估计方法并显示了超过最先进方法的改进。通过使用标准实践在 Object Clutter Indoor Dataset (OCID) Grasp 数据集中计算出与地面真实抓取候选对象的 99.65％抓取准确度的物体姿态。

Nov, 2023

本文提出了一种有效的机器手抓取检测方法，通过处理嘈杂的 RGBD 图像或点云来输出适合的机械臂抓取配置的估计值，实现了对新对象的抓取成功率最高可达 93%。

Jun, 2017

本文介绍了一种新的方法，通过感知系统提供场景中所有物体的几何和语义信息，同时提供这些物体的可行抓取，以加速机器人操作的复杂度。通过详细的定量分析，我们展示了我们的方法通过在 30 帧 / 秒速度下提供竞争性能，以比较专门用于物体形状、姿态和抓取预测的最新技术方法。

May, 2023

通过使用 RGB-D 数据流和视觉技术，本研究提出了一种自动生成并适应新物体姿态的抓取轨迹的方法，通过将轨迹相对于物体框架进行投影，实现了在多个不同机器人设置和物体上的抓取任务的高效执行。

Oct, 2023

本文提出了一种机器人抓取系统，使用单个外部单目 RGB 摄像头作为输入，在不同的神经网络的协同作用下模拟抓取各种家庭物品的过程。

Aug, 2020

视觉技术在月球机器人应用中的整合遇到了许多挑战，本文提出了一个通用的任务流程，使用目标检测、实例分割和抓取检测，可以通过以不同的方式使用这些基于视觉的系统的结果，实现各种不同的应用。我们成功地在困难的光照条件下，在非平坦表面上进行了岩石堆叠任务，成功率达到了 92%。最后，我们展示了一个实验，用于组装 3D 打印的机器人组件，以便在将来进行更复杂的任务。

Sep, 2023

物体姿态估计是一项核心感知任务，针对单目相机方法，其主要挑战包括遮挡处理、姿态表示、类别级姿态估计以及不确定性估计。

Jul, 2023

本文介绍一种视觉伺服方法，用于对象抓取和更一般地，将末端执行器与对象对齐的问题。首先，我们扩展了 Espiau 等人提出的方法 [1]，适用于没有安装在被控制机器人上的相机，并强调实时估计图像雅可比的重要性。其次，我们展示了如何使用非校准的立体摄像头设置，在三维射影空间中表示抓取或更一般地表示两个物体之间的对齐。这种三维射影表示是视角无关的，可以轻松映射到图像设定点，不需要任何关于相机参数的知识。第三，我们对视觉伺服算法的性能和这种方法能够获得的抓握精度进行了分析。

Nov, 2023

提出了一种基于多视角视野的实时视觉系统，可以从单个 RGB-D 视角提出三维物体姿态建议，并且根据多个视角的姿态估计和非参数占用信息积累这些姿态估计，从而对接触的多个已知对象进行一致的、不相交的姿态估计。应用于实时机器人应用程序中，只使用机载 RGB-D 视觉，机械臂可以精确而有序地拆卸复杂的物体堆放，展示了其准确性和鲁棒性。

Apr, 2020

该论文介绍了一种基于深度信息的机器人手臂感知与图像识别框架，包括自适应手指检测、点云数据处理、全局位姿估计、轨迹规划与性能分析等组件，该框架可以实现对高度遮挡物体进行精准的位姿估计与反应迅速的操作控制。

Mar, 2020