提出了一种基于多型机械手的手无偏见抓取算法 GenDexGrasp，该算法利用接触映射作为机械手无偏见中间表示，采用力闭合优化综合生成了大规模的多手抓取数据集 MultiDex。与先前的方法相比，GenDexGrasp 在成功率、推断速度和多样性之间实现了三重平衡。

Oct, 2022

通过在物体点云和手部参数空间中操作，我们引入了一个统一的基于扩散的灵巧抓取生成模型 (UGG)，该模型统一了物体、手部和接触点的信息，引入了一种改进接触建模的新颖表示。我们的模型灵活性和质量使得我们能够集成一个轻量级的鉴别器，通过模拟鉴别数据来推动高成功率同时保持高多样性。除了抓取生成，我们的模型还可以根据手部信息生成物体，为对象设计和研究生成模型的感知提供了宝贵的洞察。我们的模型在大规模的 DexGraspNet 数据集上实现了最先进的灵巧抓取，并促进了以人为中心的对象设计，标志着灵巧抓取研究的重要进展。

Nov, 2023

本文介绍了一个大规模机器人灵巧抓取数据集 DexGraspNet，由于我们提出的高效合成方法生成，可以普遍应用于任何灵巧的机械手。结果显示我们的数据集比以前的具有更多物体和抓取、更高的多样性和质量，并通过多个算法在本数据集上进行的训练，大幅提高了机器人灵巧抓取的准确性。

Oct, 2022

使用 Dex-Net 2.0 生成的合成数据集训练了一个 Grasp Quality Convolutional Neural Network (GQ-CNN) 模型，实现了在深度图像中规划机械手抓取的快速、准确计算，并在实验中显示，其在处理单个对象上的成功率高达 93％，速度是使用点云计算对象的预计算数据集并索引抓取的模型快 3 倍。

Mar, 2017

本文提出了一种符合性吸盘接触模型，通过估算吸盘与目标表面之间的密封质量和吸盘抵抗外部重力摇臂的能力的测量方式，以描述吸盘技术的稳定性。使用 1500 个 3D 对象模型，生成了 Dex-Net 3.0 数据集，并训练了一个 Grasp Quality Convolutional Neural Network (GQ-CNN) 分类器，在物理试验中获得了 98％，82％和 58％的成果，可在此链接查看相关代码、数据集和补充材料。

Sep, 2017

本研究提出使用点云观测学习通用的机器人灵巧抓取，将任务分为抓取提案生成和目标条件抓取执行两个阶段，并使用目标条件抓取策略取代运动规划以提高通用性，在大规模机器人灵巧抓取数据集的平凡模型下，通过采样生成高质量多样化的抓取姿势，实现了普适性的抓取方法。

Mar, 2023

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

提出了一种新颖的物体不可知的方法，用于从现实的点云观察和自我感知信息中学习通用的策略，实现桌面设置下的精细物体抓取，采用了几何意识课程学习和几何意识迭代通用 - 专家学习的方法，提高了泛化性能，成功率分别达到了 85.4% 和 78.2%。

Apr, 2023

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

提出了一种基于扩散的抓取生成模型 CGDF（Constrained Grasp Diffusion Fields），它可以适应任意物体的复杂几何形状，并在目标区域上生成密集的抓取。通过使用部分引导的扩散方法，实现了高效率的约束抓取，无需通过大量约束增强数据集进行训练。通过定量和定性的比较分析结果以及在模拟中的表现，验证了该方法可以生成稳定的抓取姿势，尤其适用于双臂操作设置，而现有方法则存在困难。

Apr, 2024