本研究提出了一种基于部分点云观察的，用于在杂乱场景中规划指定物体 6 自由度抓取的方法，其性能比基线方法高出 17.6%，能够成功清理包含 23 个未知物体和 51 次抓取操作的 9 个杂乱桌面场景，并利用我们学习到的碰撞检查模块来推理有效的抓取顺序，以检索不易到达的物体。

Dec, 2019

本文介绍了一种名为 NeuGraspNet 的新型方法，它使用神经立体表示和表面渲染的最新进展，学习了全局和本地的神经表面表示，并使用局部神经表面渲染问题对抓取进行重新解释，能够在遮挡的场景中操作，并展示了在移动机械手中应用的效果。

Jun, 2023

基于图神经网络的 GraNet 框架在无结构环境下实现了针对 6 维自由度的无对象依赖抓取，通过建立点云场景的多级图并通过图神经网络传播特征，提高了多尺度下的特征嵌入能力，从而实现了高效抓取的空间分布特征建模。该方法在大规模的 GraspNet-1Billion 基准测试中取得了最先进的性能，尤其在抓取未见过的物体上的平均精准度提高了 11.62 个百分点，实际机器人实验也证明了该方法在无结构环境中对分散物体的高成功率。

Dec, 2023

本研究旨在利用深度传感器扫描的大型在线数据集来训练卷积神经网络，通过两种新的抓取候选表示方法实现对 6 自由度抓取候选的分类来提高抓取方法的成功率，在 Baxter 研究机器人上的实验中，相对于以前的研究成果，我们的方法有了 20％的提高，平均抓取成功率达到了 93％。

Mar, 2016

本研究介紹了一種使用體積把握網絡（VGN）的方法，該網絡通過使用由手腕安裝式深度相機收集的 3D 場景信息，從過去未見過的物體中預測並設計出能夠穩健地擷取物體的抓取方法。

Jan, 2021

本文提出了一种新颖的端到端 “Grasp Proposal Network (GPNet)”，基于离散但规则的 3D 网格角上的 “抓握中心锚点”，用于预测从单个和未知相机视图观察到的物体的多样化 6-DOF 抓握，这有助于实现更好的仿真结果和更好的实际测试结果。

Sep, 2020

本文提出了首个基于 RGB 图像的 6 自由度机器人抓取方法 MonoGraspNet，通过利用稳定的 2D 特征以及关键点热度图和法向量图来同时解决处理透明或反射材料等光学难题，实验表明我们的方法在抓取常见物体方面能够达到有竞争性的结果，并在在抓取光学难题物体方面领先于深度学习方法，此外我们也公开了一个包含 120 个物品的多视角多场景数据集和 2000 万的准确抓取标签。

Sep, 2022

该研究论文介绍了 Sim-Grasp，该系统结合了先进的语言模型，以增强杂乱环境下的物体操作能力。Sim-Grasp 通过引入 Sim-Grasp-Dataset 和 Sim-GraspNet，成功地生成点云下的抓取姿势。Sim-Grasp 成功率达到了 97.14% 的单一物体抓取和 87.43% 和 83.33% 的混合环境抓取（分级 1-2 和分级 3-4 的物体）。通过结合文本和盒子提示进行目标识别，Sim-Grasp 实现了对物体的无关和有关抓取，推动了智能机器人系统的发展。

May, 2024

利用变分自编码器和夹取评估模型采样一组夹取，并在模拟和真实机器人实验中评价和修正采样到的夹取，以实现抓取生成。通过纯模拟训练，可在不进行任何额外步骤的情况下运行于实际机器人操作中，具有较高的成功率。

May, 2019

将优化方法与生成模型相结合，我们开发了一个新颖的方法来在杂乱的环境中生成五指抓取样本，并通过评估模型改进了抓取质量和碰撞概率，显著提高了在复杂情境中进行五指抓取的实用性。

Apr, 2024