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

有效、健壮的抓取姿势检测对于机器人操作至关重要。本论文提出了基于几何线索的质量度量指标 “抓持度”，并发展了一种神经网络模型 GSNet，以加速抓持度的检测，实验证明了该模型的稳定性、通用性和有效性，为各种先前方法提供了显著的准确度提升。

Jun, 2024

本文介绍了一种基于卷积神经网络的准确、实时的机器人抓取检测方法，该网络可以在单个阶段内执行分类并查找一个优质的抓取矩形，并使用局部约束机制预测每个对象的多重抓取，比现有方法高 14 个百分点性能更好，尤其是对于可以用不同方式抓取的物体。

Dec, 2014

本论文提出了一种新颖的机器人抓取检测系统，该系统使用深度卷积神经网络从场景中提取特征并使用浅层卷积神经网络来预测感兴趣目标的抓取配置，取得了 89.21％的准确率和实时的运行速度，重新定义了机器人抓取检测的技术水平。

Nov, 2016

将优化方法与生成模型相结合，我们开发了一个新颖的方法来在杂乱的环境中生成五指抓取样本，并通过评估模型改进了抓取质量和碰撞概率，显著提高了在复杂情境中进行五指抓取的实用性。

Apr, 2024

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

本研究介紹了一種使用體積把握網絡（VGN）的方法，該網絡通過使用由手腕安裝式深度相機收集的 3D 場景信息，從過去未見過的物體中預測並設計出能夠穩健地擷取物體的抓取方法。

Jan, 2021

本研究旨在利用深度传感器扫描的大型在线数据集来训练卷积神经网络，通过两种新的抓取候选表示方法实现对 6 自由度抓取候选的分类来提高抓取方法的成功率，在 Baxter 研究机器人上的实验中，相对于以前的研究成果，我们的方法有了 20％的提高，平均抓取成功率达到了 93％。

Mar, 2016

该研究提出了一种用于机器人抓取的闭环控制器的学习方法，该方法使用卷积神经网络学习关于图像的真实抓取的距离函数，可以应对虚拟和真实噪声传感器图像中的机械误差，感知误差和抓握时物体的不确定性。

Jun, 2017

本研究提出了一种基于部分点云观察的，用于在杂乱场景中规划指定物体 6 自由度抓取的方法，其性能比基线方法高出 17.6%，能够成功清理包含 23 个未知物体和 51 次抓取操作的 9 个杂乱桌面场景，并利用我们学习到的碰撞检查模块来推理有效的抓取顺序，以检索不易到达的物体。

Dec, 2019