本文旨在结合两种方法，实现对自然环境中物体的功能性抓取。首先，通过匹配不同物体的相应区域来获取各物体的可负担性，然后在模拟中运行一个经过训练的低级策略来抓取物体。我们提出了一种新颖的使用特征抓取来减少强化学习搜索空间的应用，使用少量人类数据实现更稳定和物理上逼真的运动。实验结果可在该 URL 中获得可视化和视频。

Dec, 2023

本文介绍了 EfficientGrasp，它是一种与机械手规格无关的抓握合成和夹爪控制方法。它使用夹爪工作空间特征，可以用更少的数据训练生成更多类型的夹爪，且在模拟和真实环境下的对象抓握实验中，未带环回约束的夹爪的成功率提高了 3.10％，在带有环回约束的夹爪中的成功率为 83.3％。

Jun, 2022

通过从部分观测中重建和完成其全面几何结构，并利用七自由度的拟人化机器人手进行操作，我们的方法显著提高了只有部分重建的基线的抓取成功率近 30％，并以三个不同的对象类别多次实现了超过 150 次成功抓取，这表明我们的方法在真实世界的不同方向和位置基于完成的对象形状进行预测和执行抓取姿势的一贯能力，为增强需要实际重建对象的精确抓取和操作技能的机器人应用开辟了新的可能性。

Nov, 2023

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

ArtiGrasp 使用强化学习和物理模拟来训练一个控制全局和局部手姿势的策略，以实现包括抓取和关节运动的双手 - 物体交互，并通过逐渐增加的难度的学习课程实现精确的手指控制。

Sep, 2023

研究了利用强化学习和物理模拟方法实现动态抓取合成任务，将该任务分解为底层抓取和高层运动合成，并生成逼真的人类手部运动序列

Dec, 2021

设计了一个系统，其中包含两只附着在机器人手臂上的多指手，用于解决机器人在高速操作、精确协作和与不同对象进行交互时面临的挑战。通过在模拟中使用多智能体强化学习训练，并进行 Sim2Real 转移以在真实机器人上实施，提供了多个创新算法设计，包括学习物体的轨迹预测模型，帮助机器人准确估计物体的移动方向并做出相应反应。通过在真实环境中使用多个物体进行实验，相较于多个基准线表现出显著改进。项目页面可在 https://binghao-huang.github.io/dynamic_handover/ 访问。

Sep, 2023

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

该论文介绍了一种从物体形状和接触中进行功能性抓握合成的框架，成果能用于不同手模型的功能抓握合成，该方法是基于人体接触示范的数据集进行的。

Apr, 2019

本文介绍了一种基于物体为中心示范实现的，用于训练软机械手进行熟练操作的方法，该方法使用增强学习技术，提出了一种新的算法，允许我们混合和选择最可行的示范来学习在硬件上模仿。最后，我们将这种方法应用于 RBO Hand 2 上，并获得了开 / 关阀门，滑珠和抓取等任务的良好表现。

Mar, 2016