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

本研究提出了一种利用深度神经网络模型进行多指握持规划的新方法，使用卷积神经网络预测物体的视觉信息和握持配置的抓握成功率，使用反向传播算法进行梯度上升优化，直接规划高质量的多指握持配置空间，验证了该方法在实际机器人上的应用。

Apr, 2018

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

本文提出了一种基于神经网络的学习方法，用于表示高自由度手的抓握姿势，并生成一个包含多种可能抓握的扩充数据集以避免模型的不确定性。该方法使用一致性损失函数和碰撞损失函数进行训练，在多个数据集上均取得了高精度，同时可以应用于噪声对象模型。

Mar, 2019

本文提出了一种新颖的端到端 “Grasp Proposal Network (GPNet)”，基于离散但规则的 3D 网格角上的 “抓握中心锚点”，用于预测从单个和未知相机视图观察到的物体的多样化 6-DOF 抓握，这有助于实现更好的仿真结果和更好的实际测试结果。

Sep, 2020

提出一种优化方法，用于最小化一个凸函数并满足双线性矩阵不等式限制。这种方法的关键思想是将双线性映射分解为两个正半定凸映射的差异。通过每次迭代线性化凹部分，将其转化为凸子问题。介绍了应用该方法解决各种输出反馈控制器综合问题，并以 COMPleib 库中的数据为基准评估了算法的性能。

Sep, 2011

本文提出了一种新的方法，使用深度图像对孤立对象进行平行夹持，解决大型夹持器姿态不确定性的问题，该方法训练卷积神经网络进行评分以确定触抓姿态，最终实验表明该系统比未考虑不确定性时更具鲁棒性。

Aug, 2016

这项研究提出了一种自动化的计算设计优化框架，基于质量多样性方法生成各种各样的夹持器设计，以单独抓取几何不同的物体类型。

Nov, 2023

通过实验数据，证明使用考虑摩擦力的神经网络在多物体抓取问题中可以显著提高成功率、提高拿取效率、降低规划时间

Oct, 2022

本文提出了一种实时的、物体独立的抓取合成方法，使用生成式抓取卷积神经网络（GG-CNN）预测每个像素的抓取姿态和质量，在不进行抓取候选离散采样和长时间计算的情况下，对当前深度学习抓取技术的局限性进行了克服。 实验结果表明：GG-CNN 比当前最先进的技术具有同等性能，并具有轻量级、一次性生成的特点，从而可以实现 50Hz 的闭环控制，在非静态环境、物体移动和机器人控制不准确的情况下进行准确的抓取，对于具有敌对几何形状的物体可以实现 83% 的抓取成功率，在家居物品的抓取中可以实现 88% 的抓取成功率，在动态混杂物的抓取中可以实现 81% 的准确率。

Apr, 2018