通过使用 RGB-D 数据流和视觉技术，本研究提出了一种自动生成并适应新物体姿态的抓取轨迹的方法，通过将轨迹相对于物体框架进行投影，实现了在多个不同机器人设置和物体上的抓取任务的高效执行。

Oct, 2023

通过使用深度学习，机器人抓取技术在数据可用性和算法改进方面取得了显著进展。在本文中，我们探索了一种新的数据生成管道，用于训练深度神经网络执行抓取规划，并提出了一种自回归的抓取规划模型，其将场景的传感器输入映射到可能的抓取概率分布。最终，我们在以前从未见过的物体上实现了 90% 以上成功率。

Oct, 2017

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

使用合成数据和领域自适应，可以将在真实世界中所需的样本数缩减至只使用随机生成的合成对象，并且可以使用无标签的真实世界数据和 GraspGAN 方法来获得类似于使用 939,777 个标记的真实世界样本所达到的真实世界抓取性能。

Sep, 2017

探究了一种称为 “Domain Randomization” 的技术，该技术使用非真实随机纹理来训练深度神经网络对象定位器，使得该定位器在真实环境中表现出色，并且可以应用于机器人控制中。

Mar, 2017

近期 AI 在机器人学习方面的重要进展，特别是自然语言条件规划和使用生成模型进行控制器高效优化。然而，互动数据仍然是泛化的瓶颈。获取抓取的数据是一个关键挑战，因为这项技能需要完成许多操作任务。质量多样性算法结合先验知识来加速生成多样的模拟抓取姿势，实验结果显示质量多样性算法明显优于常用方法。进一步实验表明，质量多样性优化自动发现了一些通常需要硬编码的高效先验知识。在两种不同类型的机械手上部署生成的抓取结果表明，所产生的多样性场景具有模拟到实际的可迁移性。我们相信这些结果对于生成大规模数据集以实现强健且普适的机器人抓取策略是重要的一步。

Mar, 2024

利用深度强化学习的控制方法，在微重力条件下解决机器人的抓取前阶段的复杂挑战，通过试错学习，消除了手动设计特征的必要性，使机器人能够学习抓取策略。

Jun, 2024

本研究定义了一种易于重现的实验设置，用于比较四种随机化策略及三种随机参数在仿真和实验机器人上完成的任务。研究发现，完全随机生成仿真和精细调整策略可以更好地转移到现实机器人，并且比其他测试方法更有差异化的结果。

Jun, 2022

本文提出一种基于多任务领域适应的框架来解决机器人抓取的训练数据收集和标注的问题，借助仿真机器人实验来对杂乱场景下的抓取进行实例化，并通过领域对抗性损失将训练好的模型转移到真实机器人系统中，经过实际机器人实验的评估表明本文所提出的模型准确性比其他模型结构及基准模型都要高。

Oct, 2017

本文介绍了一种简单的方法来解决在模拟训练中的现实差距问题。通过在训练过程中随机化模拟器的动力学，我们能够开发出适应非常不同的动力学的策略，并且使其在真实世界中推广而不需要在物理系统上进行训练。在机器人控制方面，我们的方法在物体推动任务上表现出了很好的性能。

Oct, 2017