本篇论文提出了一种利用深度神经网络进行无监督或有限监督机械抓取学习的算法，该算法包括机械臂前向运动、与目标物体的碰撞检测、抓取姿态评价指标的构建，并且通过优化问题的敏感度分析提出了通用的 Q1 抓取评价指标，其中用到 watertight 三角形网格，实现了在各种 3D 形状数据集上比传统方法更高效率和鲁棒度的抓取姿态的学习和训练。

Feb, 2020

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

通过评估框架，该研究工作在 10 个不同抓取领域进行了 15 种方法的实验，结果显示优先选择成功解决方案的 MAP-Elites 变体在所研究的指标上大大优于其他方法，并发现稀疏交互可能导致迷惑性的新颖性，此工作在文献中具有创新性地有效产生了抓取轨迹示例，这方面没有先例。

Aug, 2023

基于学习的方法提出了一种紧凑但足够丰富的力学表示，通过 FEM 模型的压缩获得非线性可变性数据，在模型化中非常高效，并能够推导出机器人的正向和逆向运动学。

Jul, 2023

本研究提出了一种基于不同 iable simulator 的软致动器物理可行模型的训练方法，其通过与有限元方法结合来实现闭环控制，基于该模型构建 MPC 控制器，实现对硬币的拉动并获得了低于 5％的仿真误差。

Feb, 2022

提出一种高效的运动规划框架，基于 ADMM 分布式优化框架，使用 MIQP 和 NLP 解决接触和非线性动力学问题，显式强制执行微刺夹具的限制面环接触约束，通过硬件实验演示了多肢机器人能够实现各种动作。

Jul, 2022

本文提出了一个可微分端到端框架来优化接触感知机器人设计的两个关键部分：一种新颖的变形参数化方法和一个可处理联系丰富情况和计算全谱运动和动态参数分析梯度的可微刚体模拟器，在多个操作任务中，我们的框架胜过了使用其他表示形式优化控制或设计，或使用无梯度方法进行共同优化的现有方法的情况。

Jul, 2021

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

本文提出了一种通过学习握取和运动的联合规划来解决高维度复杂控制问题的方法，并采用 IBS 来表示夹爪和目标对象之间的空间交互，从而实现对高自由度握取的有效控制。

Apr, 2022

本文介绍了一种名为 Grasp'D 的方法，它使用可微分接触模拟技术从多指模型的已知模型和视觉输入中实现了掌握合成，其可以在高自由度机械手中稳定、高效、物理现实地实现高接触掌握合成，与解析掌握合成相比，Grasp’D 的结果可以实现 4 倍以上的接触和更高的稳定性。

Aug, 2022