提出了一种基于多型机械手的手无偏见抓取算法 GenDexGrasp，该算法利用接触映射作为机械手无偏见中间表示，采用力闭合优化综合生成了大规模的多手抓取数据集 MultiDex。与先前的方法相比，GenDexGrasp 在成功率、推断速度和多样性之间实现了三重平衡。

Oct, 2022

在这篇论文中，我们介绍了 RealDex—— 一个捕捉了真实灵巧手部抓握动作的先驱数据集，其中融入了人类行为模式，丰富了多视角和多模态的视觉数据。使用远程操作系统，我们实时无缝地同步人 - 机器手的姿态。这个类似人类运动的集合对于训练灵巧手更自然、更准确地模仿人类动作至关重要。RealDex 在推动人形机器人在现实世界场景中的自动感知、认知和操作方面具有巨大潜力。此外，我们介绍了一种先进的灵巧抓握动作生成框架，通过有效利用多模态的大型语言模型与人类经验相吻合，增强了其在现实世界的应用能力。大量实验证明了我们的方法在 RealDex 和其他公开数据集上的出色性能。完整的数据集和代码将在本文发表后提供。

Feb, 2024

介绍了 DexYCB 一个新的用于捕捉手抓物体的数据集，通过将其与相关数据集进行交叉评估，给出实验结果，对 2D 物体和关键点检测、6D 物体位姿估计和 3D 手姿势估计三项任务进行了深入基准测试。同时，还介绍了一个新的与机器人相关的任务：在人 - 机器人物体交接过程中生成安全的机器人掌握.

Apr, 2021

本文提出了一种生成大规模合成数据集的方法 --Jacquard 抓取数据集，并在实验中使用了一个 CNN 模型进行了测试，结果表明该数据集比人工标记的数据集具有更好的性能表现和泛化能力。同时，该文还提供一个网页界面，帮助其他研究人员通过该数据集测试物体的抓取性能。

Mar, 2018

该研究通过收集一个新的名为 GRAB 的数据集，包含 10 个零件与 51 个日常物品的互动，详细描述了人类整体抓握物品的过程。通过这个数据集，研究者运用生成式网络训练预测人类手部抓握姿态的模型，以帮助更好地理解人体与物品的互动过程。

Aug, 2020

使用 Dex-Net 2.0 生成的合成数据集训练了一个 Grasp Quality Convolutional Neural Network (GQ-CNN) 模型，实现了在深度图像中规划机械手抓取的快速、准确计算，并在实验中显示，其在处理单个对象上的成功率高达 93％，速度是使用点云计算对象的预计算数据集并索引抓取的模型快 3 倍。

Mar, 2017

本论文介绍了一个名为 TaskGrasp 的数据集和一个名为 GCNGrasp 的机器人抓取框架，用语义知识来进行任务驱动的物体抓取。实验结果表明，该模型在处理新对象和新任务方面具有更高的泛化能力。

Nov, 2020

本文介绍了一个基于物理仿真的机器人抓取规划的 ACRONYM 数据集，包含来自 262 个不同类别的 8872 个对象的 17.7M 个平行夹抓，并使用该数据集来训练两种最先进的基于学习的抓取规划算法，相比于原始小型数据集，抓取效能显著提高。

Nov, 2020

我们提出了一种无需 3D 手物体交互数据的策略学习框架 GraspXL，通过统一多种运动目标、多样化的物体形状和灵巧的手形态，可以可靠地合成多样化的抓取运动，且能够在超过 500,000 个未知物体中的 82.2% 上成功。

Mar, 2024

本研究提出使用点云观测学习通用的机器人灵巧抓取，将任务分为抓取提案生成和目标条件抓取执行两个阶段，并使用目标条件抓取策略取代运动规划以提高通用性，在大规模机器人灵巧抓取数据集的平凡模型下，通过采样生成高质量多样化的抓取姿势，实现了普适性的抓取方法。

Mar, 2023