提出了一种新的人机辅助灵巧抓取任务，该任务旨在训练一个用于控制机器人手指来辅助用户抓取物体的策略。通过提出 Grasping Gradient Field（GraspGF）和基于历史的剩余策略，解决了用户意图多样性和物体几何形状的挑战，实验证明了该方法在实际应用中的用户感知和实用性的优越性。

Sep, 2023

本研究介绍了一种在深度强化学习循环中嵌入面向对象视觉助力模型的方法，以学习优先选择与人类喜欢的对象区域相同的抓握策略，实现对物体的灵活抓握能力。通过 40 个物体的实验，表明该方法可以显著提高抓握策略效能，泛化能力较强，比普通基线方法的训练速度更快，且更能适应噪声传感器。

Sep, 2020

FuncGrasp 是一个框架，可以通过一个带有注释的对象和单视图 RGB-D 观察来推断未见过的物体的密集而可靠的抓取配置，通过球形基元的函数到函数传递建立语义有意义的分类对应关系，并在无监督学习的方式下学习。与以往的作品不同，FuncGrasp 旨在传输通过对象为中心的连续抓握函数参数化的无限配置，通过在表面上定义的有效神经表示（NSGF）密集编码抓握配置。通过在模拟器和真实世界中进行大量实验，我们展示了该方法的有效性，显着优于生成的抓握的密度和可靠性的几种强基准方法。

Feb, 2024

本文旨在结合两种方法，实现对自然环境中物体的功能性抓取。首先，通过匹配不同物体的相应区域来获取各物体的可负担性，然后在模拟中运行一个经过训练的低级策略来抓取物体。我们提出了一种新颖的使用特征抓取来减少强化学习搜索空间的应用，使用少量人类数据实现更稳定和物理上逼真的运动。实验结果可在该 URL 中获得可视化和视频。

Dec, 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

本研究提出了使用大规模演示学习熟练操作多指手来处理机器人学中最具挑战性的问题。 主要采用人类抓握可行性模型生成 3D 物体演示，以实现策略的泛化。同时，本研究使用了新颖的模仿学习目标，以及几何表示学习目标，通过在仿真系统中重新定位多样的对象以证明本方法的有效性。

Apr, 2022

本文介绍了一种基于物体为中心示范实现的，用于训练软机械手进行熟练操作的方法，该方法使用增强学习技术，提出了一种新的算法，允许我们混合和选择最可行的示范来学习在硬件上模仿。最后，我们将这种方法应用于 RBO Hand 2 上，并获得了开 / 关阀门，滑珠和抓取等任务的良好表现。

Mar, 2016

本文提出了一种新的方法，使用深度图像对孤立对象进行平行夹持，解决大型夹持器姿态不确定性的问题，该方法训练卷积神经网络进行评分以确定触抓姿态，最终实验表明该系统比未考虑不确定性时更具鲁棒性。

Aug, 2016

通过在物体点云和手部参数空间中操作，我们引入了一个统一的基于扩散的灵巧抓取生成模型 (UGG)，该模型统一了物体、手部和接触点的信息，引入了一种改进接触建模的新颖表示。我们的模型灵活性和质量使得我们能够集成一个轻量级的鉴别器，通过模拟鉴别数据来推动高成功率同时保持高多样性。除了抓取生成，我们的模型还可以根据手部信息生成物体，为对象设计和研究生成模型的感知提供了宝贵的洞察。我们的模型在大规模的 DexGraspNet 数据集上实现了最先进的灵巧抓取，并促进了以人为中心的对象设计，标志着灵巧抓取研究的重要进展。

Nov, 2023