提出了 CenterArt，一种用于同时进行 3D 形状重建和关节体 GRASP 估计的新方法。通过 RGB-D 图像进行输入，利用编码器预测形状和关节代码，再通过解码器重建 3D 形状和估计物体的 6 个自由度的 GRASP 姿势。使用包含多个具有随机设计、纹理、照明条件和逼真深度的关节对象的逼真场景进行培训，并通过进行广泛的实验表明，CenterArt 在准确性和鲁棒性方面优于现有方法。

Apr, 2024

本文介绍了一种新的方法，通过感知系统提供场景中所有物体的几何和语义信息，同时提供这些物体的可行抓取，以加速机器人操作的复杂度。通过详细的定量分析，我们展示了我们的方法通过在 30 帧 / 秒速度下提供竞争性能，以比较专门用于物体形状、姿态和抓取预测的最新技术方法。

May, 2023

本文提出了 RGBD-Grasp 方法，通过卷积神经网络 Angle-View Net（AVN）预测抓手的 SO（3）方向和 FAS 模块计算抓手的张开宽度和与抓点的距离，解决机器人领域中的物体抓取问题，并在 GraspNet-1Billion 数据集上取得了最先进的结果。

Mar, 2021

本文提出了一种基于学习的 3D 重建技术，以实现机器人夹抓系统中的几何感知，并通过 96 次机器人夹抓试验来验证了这种技术对于夹抓度量和识别非预期接触具有积极意义。

Oct, 2019

通过一种端到端的神经网络，将深度记录的场景直接转化为 6 个自由度平行夹具抓取的分布，其独特的抓取表示法将点云的 3D 点作为潜在的抓取接触点，并将 6 个自由度的抓取姿态与宽度根据观察到的点云减少到 4 个自由度，成功率可达 90% 以上。

Mar, 2021

通过使用点云数据以及实例中心表示来进行对象夹取和重建，我们提出的端到端架构在合成数据集上显示了优越的性能，并在真实场景中展示了应用的可行性。

Jan, 2024

本文介绍了一种基于学习抓取提案网络和学习三维形状重建网络的机器人抓取规划方法，使用几何重建来优化抓取提案网络生成的抓取点，实现了在图像中看不到抓取位置的情况下，对已知和未知物体进行准确抓取。实验结果表明，与其他模型相比，该方法在抓取任务中取得了更高的成功率。

Mar, 2020

利用深度隐式函数的多任务学习、共享表征，联合学习抓握可行性和三维重建任务，在清理杂物方面实现了优于基线方法 10% 的抓握成功率。

Apr, 2021

该研究介绍了一种支持多个机器手抓取对象的神经隐式表示方法， 允许在不同机器手之间传递抓取技能，并可用于 6D 对象姿态估计以及机器人在真实世界中的抓取。

Jul, 2022

利用变分自编码器和夹取评估模型采样一组夹取，并在模拟和真实机器人实验中评价和修正采样到的夹取，以实现抓取生成。通过纯模拟训练，可在不进行任何额外步骤的情况下运行于实际机器人操作中，具有较高的成功率。

May, 2019