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

基于图神经网络的 GraNet 框架在无结构环境下实现了针对 6 维自由度的无对象依赖抓取，通过建立点云场景的多级图并通过图神经网络传播特征，提高了多尺度下的特征嵌入能力，从而实现了高效抓取的空间分布特征建模。该方法在大规模的 GraspNet-1Billion 基准测试中取得了最先进的性能，尤其在抓取未见过的物体上的平均精准度提高了 11.62 个百分点，实际机器人实验也证明了该方法在无结构环境中对分散物体的高成功率。

Dec, 2023

本研究介紹了一種使用體積把握網絡（VGN）的方法，該網絡通過使用由手腕安裝式深度相機收集的 3D 場景信息，從過去未見過的物體中預測並設計出能夠穩健地擷取物體的抓取方法。

Jan, 2021

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

有效、健壮的抓取姿势检测对于机器人操作至关重要。本论文提出了基于几何线索的质量度量指标 “抓持度”，并发展了一种神经网络模型 GSNet，以加速抓持度的检测，实验证明了该模型的稳定性、通用性和有效性，为各种先前方法提供了显著的准确度提升。

Jun, 2024

本文提出了首个基于 RGB 图像的 6 自由度机器人抓取方法 MonoGraspNet，通过利用稳定的 2D 特征以及关键点热度图和法向量图来同时解决处理透明或反射材料等光学难题，实验表明我们的方法在抓取常见物体方面能够达到有竞争性的结果，并在在抓取光学难题物体方面领先于深度学习方法，此外我们也公开了一个包含 120 个物品的多视角多场景数据集和 2000 万的准确抓取标签。

Sep, 2022

本文提出了一种新颖的端到端 “Grasp Proposal Network (GPNet)”，基于离散但规则的 3D 网格角上的 “抓握中心锚点”，用于预测从单个和未知相机视图观察到的物体的多样化 6-DOF 抓握，这有助于实现更好的仿真结果和更好的实际测试结果。

Sep, 2020

该论文研究了使用普通深度传感器从单个视点捕获的混乱场景中，通过并联夹具进行六自由度抓取的问题，并提出了一个基于学习的框架，在高层次上依赖于单次抓取提案网络来有效地预测建议抓取点。实验证明，此方法可以大幅度优于现有技术。

Oct, 2019

利用变分自编码器和夹取评估模型采样一组夹取，并在模拟和真实机器人实验中评价和修正采样到的夹取，以实现抓取生成。通过纯模拟训练，可在不进行任何额外步骤的情况下运行于实际机器人操作中，具有较高的成功率。

May, 2019

该研究论文介绍了 Sim-Grasp，该系统结合了先进的语言模型，以增强杂乱环境下的物体操作能力。Sim-Grasp 通过引入 Sim-Grasp-Dataset 和 Sim-GraspNet，成功地生成点云下的抓取姿势。Sim-Grasp 成功率达到了 97.14% 的单一物体抓取和 87.43% 和 83.33% 的混合环境抓取（分级 1-2 和分级 3-4 的物体）。通过结合文本和盒子提示进行目标识别，Sim-Grasp 实现了对物体的无关和有关抓取，推动了智能机器人系统的发展。

May, 2024