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

运用深度学习方法解决机器人抓取问题，通过多模态组规则化结构化正则化权重来处理多模态输入，实现了比之前最先进方法更好的效果，可成功在两个不同的机器人平台上执行抓取。

Jan, 2013

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

本论文提出了一种名为 TF-Grasp 的基于 Transformer 的架构，用于机器人手部抓取检测，该架构采用本地窗口关注和交叉窗口关注，同时有多尺度特征融合，能够同时获取物体的局部信息和模拟物体间的长期关联，实验结果表明，TF-Grasp 的准确度优于其他模型

Feb, 2022

本文提出了 RGBD-Grasp 方法，通过卷积神经网络 Angle-View Net（AVN）预测抓手的 SO（3）方向和 FAS 模块计算抓手的张开宽度和与抓点的距离，解决机器人领域中的物体抓取问题，并在 GraspNet-1Billion 数据集上取得了最先进的结果。

Mar, 2021

本文提出了一种实时的、物体独立的抓取合成方法，使用生成式抓取卷积神经网络（GG-CNN）预测每个像素的抓取姿态和质量，在不进行抓取候选离散采样和长时间计算的情况下，对当前深度学习抓取技术的局限性进行了克服。 实验结果表明：GG-CNN 比当前最先进的技术具有同等性能，并具有轻量级、一次性生成的特点，从而可以实现 50Hz 的闭环控制，在非静态环境、物体移动和机器人控制不准确的情况下进行准确的抓取，对于具有敌对几何形状的物体可以实现 83% 的抓取成功率，在家居物品的抓取中可以实现 88% 的抓取成功率，在动态混杂物的抓取中可以实现 81% 的准确率。

Apr, 2018

通过使用深度学习，机器人抓取技术在数据可用性和算法改进方面取得了显著进展。在本文中，我们探索了一种新的数据生成管道，用于训练深度神经网络执行抓取规划，并提出了一种自回归的抓取规划模型，其将场景的传感器输入映射到可能的抓取概率分布。最终，我们在以前从未见过的物体上实现了 90% 以上成功率。

Oct, 2017

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

本文提出了一种基于单一演示的机器学习方法 GraspNet，其使用卷积神经网络来检测物体并进行抓取，在实验中使用 Franka Panda cobot，在数百次的训练迭代中训练 GraspNet，能够更加快速地进行精细调整。

Jun, 2018