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

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

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

本文采用大规模数据集和多阶段学习方法，使用卷积神经网络对机器人进行抓取任务，与几个基准进行比较，表现出了最先进的泛化能力。

Sep, 2015

本文利用基础模型解决机器人抓取检测的挑战，通过使用基础模型创建全新的大规模抓取数据集 Grasp-Anything，该数据集在多样性和规模上超过了先前的数据集，并成功实现了零样本抓取检测的视觉任务和实际机器人实验。

Sep, 2023

本文介绍了 Evolved Grasping Analysis Dataset（EGAD），该数据集包含 2000 多个物体，用于训练和评估机器人的视觉抓取检测算法，其中 EGAD 的对象在几何上是多样化的，涵盖从简单到复杂形状，容易到难以抓取的空间，同时指定了 49 个 3D 可打印的评估对象，以鼓励在各种复杂度和难度范围内进行可重复的机器人抓握系统的测试。

Mar, 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

该论文介绍了当前机器人技术中数据驱动方法的应用以及面临的困难，提出了收集人 - 机器人大规模教学数据集的必要性和如何收集，同时介绍了 MIME 数据集和利用该数据集进行轨迹预测和多任务学习和其它相关研究的应用案例。

Oct, 2018

将物理常识推理融入机器人操作，通过 PhyGrasp 模型结合自然语言和 3D 点云输入，实现对对象的物理属性准确评估和最优抓取位姿决策。模型的语言理解能力使其能够解释人类指令，并生成符合人类偏好的抓取位姿。在长尾场景中，PhyGrasp 取得了最先进的性能，成功率比 GraspNet 提高了约 10%。

Feb, 2024