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

通过学习基于隐式表征的对象重建的最新进展，借鉴其思想，提出了一种高效且易于与深度神经网络集成的人体抓握模型表示，通过手、对象和接触区隐式表面的 3D to 2D 映射，生成高质量、物理合理的人体抓握姿态，实验结果表明，与现有方法相比，该方法取得了可比拟的性能。

Aug, 2020

通过使用 3D 卷积神经网络结构，本研究为机器人抓取规划提供形状补全，同时在实时运行时进行形状补全以规划和执行抓取动作。研究还探讨了形状补全的质量因素，如物体是否存在于训练数据中，使用几个物体模型用于训练网络，以及网络推广到新颖物体的能力等，同时对机器人抓取的效用和补全质量进行了实验验证。

Sep, 2016

通过结合视觉和触觉传感来估计物体的位置和形状，本研究展示了多模态感知在手持操纵中的作用，证明触觉能够在手持操纵过程中改进视觉估计并提供更准确的感知，旨在推动机器人灵巧性的发展。

Dec, 2023

利用有限或无先验知识的握取问题是辅助机器人领域的高度相关技能。我们提出了一个基于深度学习的新型、快速且高保真度的流程，其中包括一个基于单深度图像的形状补全模块，以及一个基于预测对象形状的握取预测器。该流程在物理机器人平台上成功地实现了对各种家庭物品的握取。

Oct, 2023

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

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

本文提出一种基于强化学习的框架，通过连续地控制一个类人机械手，学习各种几何不同的实际物体的交互抓取。该框架在物体几何的显式表示方面进行了探索，并且通过符号距离隐式地指导搜索，最终表现出在更具挑战性的条件下学习的能力。

Nov, 2022

通过简单的人类示范，我们提出了一种既不需要大量标注图像，也不受特定几何形状限制的机器人抓取方法：利用一个小的 RGB-D 图像序列构建相关的手和物体网格模型，然后在当前环境中估计物体的姿态并转移所需的抓取指令。

Dec, 2021

该论文介绍了 MultiGrasp，一种用于多指灵巧机械手在桌面上进行多物体抓取的两阶段方法，包括生成抓前提案和执行抓取举起物体。实验结果主要集中在双物体抓取，并报告了 44.13% 的成功率，展示了对未见物体配置和不精确抓取的适应性。该框架还展示了抓取超过两个物体的能力，但推理速度较慢。

Oct, 2023