本文提出了一种迭代的自我训练框架，以促进成本效益的机器人抓取，该框架用于实现基于模拟的对象姿态估计，并不断改进以更好地预测真实数据，并在公开基准测试和作者新发布的数据集上取得了显著的提高。

Apr, 2022

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

该论文提出了一种使用简单容积表示法进行机器人夹取和约束放置的算法框架，并通过真实物理实验展示了该方法的成功率和更快的执行时间。

Jun, 2020

通过利用机器人的可达性、环境的 RGB-D 图像和占用栅格图，提出了一种服务机器人工作流中的机器人位置选择算法，通过选择机器人位置以实现成功抓取目标对象，从而与现有的基线实现相比，改善了机器人在具有挑战性位置上抓取目标物体的能力。

May, 2024

该论文介绍了一个新的公共数据集，用于工业抽取物品的 6D 物体姿态估计和实例分割，涉及 6D 姿态、可见度分数、分割掩模等注释数据，是目前为止关于垃圾桶拣选 6D 物体姿态估计和实例分割的第一个公共数据集，并且也是物体姿态估计中最大的公共数据集之一，数据集可以在 Link 中公开访问。

Dec, 2019

对于已经收获的番茄藤条的自动称重和包装存在困难，本文提出了一种方法，通过深度学习视觉系统首先识别存储和运输中以杂乱方式堆放的木箱中的番茄藤条，然后确定适合的抓取位置，并采用在线学习能力的抓取姿势排序算法选择最有前景的抓取姿势，从而实现无需触摸传感器或几何模型的夹持抓取操作，实验结果表明，在实验室测试中，配备了 RGB-D 相机的机械臂机器人能够完全清除堆叠中的所有番茄藤条，93% 的藤条在第一次尝试中成功抓取，而剩下的 7% 需要多次尝试。

Sep, 2023

本文阐述了亚马逊机器人的 Robot Induction (Robin) 良品挑选系统通过人工智能技术的最新进展，成功实现了从大规模、无结构货堆中抓取所需产品，以此推动仓库自动化、实现物流成本节约的目标。

May, 2023

本文介绍了一种利用多视角 RGB-D 数据和自监督数据驱动学习的方法，通过全卷积神经网络分割和标记场景中的多个视角，并将预先扫描的 3D 物体模型适配到分割结果中，以获得 6D 物体位姿的方法。利用自监督方法生成大量标记数据集，最终实验结果表明该系统能够可靠地估计各种环境下对象的 6D 姿态。

Sep, 2016

本论文提供了一个丰富的数据集，针对解决仓库拣选和放置任务时出现的挑战，集中探讨了基于 RGBD 的三维物体姿态估计的状态最新发展。该数据集包括成千上万张图片和相应物体的基准数据，在不同的位置和杂乱程度的条件下使用。以一个近期发展的基于 RGBD 的姿态估计算法为例，进行了评估，并应用各种修改和改进来提高检测的准确性，以提高仓库拾取和放置领域的性能。

Sep, 2015

本文针对基于视觉的机器人抓取进行了综合调查，总结了视觉基于机器人抓取的三个关键任务：物体定位、物体位姿估计和抓取估计，并详细介绍了这些任务中的传统方法和最新的基于 RGB-D 图像输入的深度学习方法，并总结了相关数据集和最先进方法之间的比较，同时也指出了视觉基于机器人抓取面临的挑战和未来方向。

May, 2019