人体抓取生成的手 - 物接触连续性推理
本篇研究通过介绍一种新的中间变量来提高三维抓取合成的效率，以解决现有方法想要直接从物体映射到抓取姿势的非光滑和低效问题，并提出了一种基于接触区域的因子图形式来描述抓取姿态生成过程，并通过实验验证了优化方法的有效性。
Oct, 2022
该论文介绍了一种从物体形状和接触中进行功能性抓握合成的框架，成果能用于不同手模型的功能抓握合成，该方法是基于人体接触示范的数据集进行的。
Apr, 2019
该论文提出了一种新颖的以物体为中心的接触表示方法 ContactGen，用于手 - 物体交互。ContactGen 包括三个组成部分：接触位置的接触图，接触手部的部分图以及每个部分内的接触方向的方向图。通过给定输入物体，我们提出了一个条件生成模型来预测 ContactGen，并采用基于模型的优化来预测多样且几何可行的抓取。实验结果表明，我们的方法能够为各种物体生成高保真度和多样性的人类抓取。项目页面：this https URL
Oct, 2023
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
通过学习基于隐式表征的对象重建的最新进展，借鉴其思想，提出了一种高效且易于与深度神经网络集成的人体抓握模型表示，通过手、对象和接触区隐式表面的 3D to 2D 映射，生成高质量、物理合理的人体抓握姿态，实验结果表明，与现有方法相比，该方法取得了可比拟的性能。
Aug, 2020
通过深度学习的手法，优化手的姿态以实现与目标物体的期望接触，并使用一种可微分的接触模型来高效优化手的姿态，以实现期望的接触效果，从而显著提高接触匹配度和人类参与者对于抓取的喜好度。
Apr, 2021
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
介绍了 ContactPose 数据集，它是第一个把手对象接触配对其他数据模态的数据集，并用它来评估接触建模的各种数据表示、文献中的启发式方法和学习方法。
Jul, 2020