本文研究了使用摄像头识别平面上的多个刚体凸多边形物体，利用多目标推动 - 抓取算法将它们可靠地移动到垃圾桶里。实验结果表明，使用摩擦力的多目标抓取系统比单目标抓取系统表现更好，速度大约快了 59.9％。

Jun, 2022

本研究提出了一种基于部分点云观察的，用于在杂乱场景中规划指定物体 6 自由度抓取的方法，其性能比基线方法高出 17.6%，能够成功清理包含 23 个未知物体和 51 次抓取操作的 9 个杂乱桌面场景，并利用我们学习到的碰撞检查模块来推理有效的抓取顺序，以检索不易到达的物体。

Dec, 2019

本研究提出了一种利用深度神经网络模型进行多指握持规划的新方法，使用卷积神经网络预测物体的视觉信息和握持配置的抓握成功率，使用反向传播算法进行梯度上升优化，直接规划高质量的多指握持配置空间，验证了该方法在实际机器人上的应用。

Apr, 2018

本文提出了一种高样本效率的目标导向层次强化学习模型，使用推和抓策略来实现在混乱环境下抓取指定目标物体，经过一系列实验验证表明，该模型表现出了高的任务完成率和目标抓取成功率，并能够适应目标不明确的条件，并且可以直接转移到实际应用中。

Mar, 2021

通过学习层次化强化学习，我们能够利用环境改变目标物体的姿态，无需物体检测、姿态估计或手动设计控制器，从而成功地完成 98% 的实验任务。

Oct, 2023

该论文介绍了 MultiGrasp，一种用于多指灵巧机械手在桌面上进行多物体抓取的两阶段方法，包括生成抓前提案和执行抓取举起物体。实验结果主要集中在双物体抓取，并报告了 44.13% 的成功率，展示了对未见物体配置和不精确抓取的适应性。该框架还展示了抓取超过两个物体的能力，但推理速度较慢。

Oct, 2023

提出了一种基于数据生成和模拟到真实世界迁移学习的机器人抓握框架，该框架通过减少模拟和实际之间的差距，解决了数据稀疏、传感器数据和接触模型不准确等问题，在单一物品、复杂形状物品和多物品的机器人抓握场景下分别获得了 90.91%、85.71% 的高成功率。

Jan, 2023

该论文提出了一种用于多吸盘吸取夹具的无模型预测抓取姿势的新方法，通过神经网络预测了图像中像素级别的抓取质量，进而确定了最佳夹具选择和相应的抓取姿势，同时引入了一种用于训练抓取质量网络的自动标注方法。在具有不同难度的实际工业应用中进行的实验评估证明了我们方法的有效性。

Jul, 2023

本文提出了一种新颖的机器人抓取系统，由气泡吸盘和机械手抓手组成。利用可供性地图提供像素级的气泡吸盘升力点候选物，并引入主动探索机制，设计了一种有效的度量来计算当前可供性地图的奖励，并使用深度 Q 网络（DQN）指导机器人手探索环境，实验结果表明，所提出的机器人抓取系统能够大大提高在混乱场景中的机器人抓取成功率。

Feb, 2023

通过一种端到端的神经网络，将深度记录的场景直接转化为 6 个自由度平行夹具抓取的分布，其独特的抓取表示法将点云的 3D 点作为潜在的抓取接触点，并将 6 个自由度的抓取姿态与宽度根据观察到的点云减少到 4 个自由度，成功率可达 90% 以上。

Mar, 2021