本论文介绍了一个名为 TaskGrasp 的数据集和一个名为 GCNGrasp 的机器人抓取框架，用语义知识来进行任务驱动的物体抓取。实验结果表明，该模型在处理新对象和新任务方面具有更高的泛化能力。

Nov, 2020

本文介绍了一个大规模机器人灵巧抓取数据集 DexGraspNet，由于我们提出的高效合成方法生成，可以普遍应用于任何灵巧的机械手。结果显示我们的数据集比以前的具有更多物体和抓取、更高的多样性和质量，并通过多个算法在本数据集上进行的训练，大幅提高了机器人灵巧抓取的准确性。

Oct, 2022

该研究通过收集一个新的名为 GRAB 的数据集，包含 10 个零件与 51 个日常物品的互动，详细描述了人类整体抓握物品的过程。通过这个数据集，研究者运用生成式网络训练预测人类手部抓握姿态的模型，以帮助更好地理解人体与物品的互动过程。

Aug, 2020

该论文提出了 AdaGrasp 方法，通过使用大量的末端执行器、模拟训练以及视觉观察来学习一种单一的抓取策略并解决机器人在处理碎片化视角和杂乱无章的环境中遇到的挑战。

Nov, 2020

本文介绍了一个基于物理仿真的机器人抓取规划的 ACRONYM 数据集，包含来自 262 个不同类别的 8872 个对象的 17.7M 个平行夹抓，并使用该数据集来训练两种最先进的基于学习的抓取规划算法，相比于原始小型数据集，抓取效能显著提高。

Nov, 2020

介绍了 DexYCB 一个新的用于捕捉手抓物体的数据集，通过将其与相关数据集进行交叉评估，给出实验结果，对 2D 物体和关键点检测、6D 物体位姿估计和 3D 手姿势估计三项任务进行了深入基准测试。同时，还介绍了一个新的与机器人相关的任务：在人 - 机器人物体交接过程中生成安全的机器人掌握.

Apr, 2021

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

提出了一种基于多型机械手的手无偏见抓取算法 GenDexGrasp，该算法利用接触映射作为机械手无偏见中间表示，采用力闭合优化综合生成了大规模的多手抓取数据集 MultiDex。与先前的方法相比，GenDexGrasp 在成功率、推断速度和多样性之间实现了三重平衡。

Oct, 2022

本文提出了一种生成大规模合成数据集的方法 --Jacquard 抓取数据集，并在实验中使用了一个 CNN 模型进行了测试，结果表明该数据集比人工标记的数据集具有更好的性能表现和泛化能力。同时，该文还提供一个网页界面，帮助其他研究人员通过该数据集测试物体的抓取性能。

Mar, 2018

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