本论文介绍了 Grasp-Anything++，一种新的以自然语言为驱动的抓握检测数据集，包含超过 100 万个样本、300 多万个物体和 1000 万个抓握指令。我们提出了基于扩散模型的新型语言驱动抓握检测方法，通过对抓握指令进行去噪处理来检测抓握姿势，并展示了我们的方法在理论上的支持以及在实验证明了它的优越性能。同时，我们的大规模数据集为零短抓握检测提供了支持，并成为未来工作的挑战性基准。

Jun, 2024

本论文提出了使用多指机器人手和被操作物体之间的接触来表示抓取的新方法，并通过一个端到端的网络实现在杂乱环境中抓取未知物体的目标。同时，我们创建了一个包括五千个场景的综合数据集，并进行了全面的实验研究，实验结果表明，我们的方法表现优于目前最先进的三指机械手抓取方法。

Mar, 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

本文提出了一种深度学习架构，用于预测机器人操作的适合抓取的位置，通过使用 RGB-D 图像输入的深度神经网络实现对单个或多个对象的多个抓取候选项的预测，实验表明该方法在 Cornell 数据集上表现优于其他方法，在掌握实验中也获得了不错的成功率。

Feb, 2018

本论文提出了一种新颖的机器人抓取检测系统，该系统使用深度卷积神经网络从场景中提取特征并使用浅层卷积神经网络来预测感兴趣目标的抓取配置，取得了 89.21％的准确率和实时的运行速度，重新定义了机器人抓取检测的技术水平。

Nov, 2016

本文介绍了一种基于学习抓取提案网络和学习三维形状重建网络的机器人抓取规划方法，使用几何重建来优化抓取提案网络生成的抓取点，实现了在图像中看不到抓取位置的情况下，对已知和未知物体进行准确抓取。实验结果表明，与其他模型相比，该方法在抓取任务中取得了更高的成功率。

Mar, 2020

通过使用单个 RGB 图像进行模块化学习网络来检测抓取姿势，本研究提出了一种有趣的方法，适用于配备平板夹具的机器人，不仅识别可抓取的物体，还将先前的抓取分析与语义分割融合，从而提高抓取检测精度，并且在处理模糊和嘈杂的视觉情况时表现出弹性，通过实际实验和评估证明了我们提出的方法的可行性和准确性。

Oct, 2023

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

通过学习经验，实现对新物体的抓取。引入密集几何对应匹配网络进行学习，以将相似几何结构的物体编码到近邻特征空间中，从而实现对未见物体的推广。最终实现成功率的提升和任务功能的优化。

Jan, 2020

本文介绍了一种基于视觉的元学习算法 DexNet-CNP，通过条件神经过程来学习不同物理特性进行抓取，模型在各种物体上的测试结果优于 DexNet-2.0。

May, 2022