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

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

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

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

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

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

该论文提出了 AdaGrasp 方法，通过使用大量的末端执行器、模拟训练以及视觉观察来学习一种单一的抓取策略并解决机器人在处理碎片化视角和杂乱无章的环境中遇到的挑战。

Nov, 2020

我们的研究旨在通过学习一种统一的基于视觉的策略，使多指机械手能够在各种姿势下操纵不同的物体。我们提出了一种新的框架 ViViDex，通过使用强化学习和轨迹引导奖励训练每个视频的基于状态的策略，从而获得视觉自然且物理可行的轨迹，并在不使用任何特权信息的情况下训练出一个统一的视觉策略，该方法通过坐标转换方法显著提升了性能，在三个灵巧操纵任务上展示出了较大的改进。

Apr, 2024

本文介绍了一个基于 Pre-Grasp 的框架，可以生成各种不同的巧妙操作行为，无需特定任务的推理或超参数调整，并通过 TCDM 基准验证了其有效性。

Sep, 2022