ManiSkill2 是 SAPIEN ManiSkill 基准的下一代版本，它包含 20 个操作任务族，2000 多个物体模型和 4M 多演示帧，定义了一个统一的界面和评估协议，支持各种算法，视觉观察和控制器，并赋予快速视觉输入学习算法的能力。

Feb, 2023

提出了一种基于在线抓取姿势融合的可抓取性感知移动操作方法，用于在接近目标并抓取时有效观察目标，通过通过在线整理抓取姿势，消除冗余和异常值，并将其编码为一个抓取姿势观察状态，用于强化学习。此外，实时融合抓取姿势可直接评估抓握可行性，包括抓握姿势的数量和质量。

Sep, 2023

本文提出了 SAPIEN Manipulation Skill Benchmark（ManiSkill），用于在全物理模拟器中基于多种对象进行操作技能测试，旨在支持互动和演示学习方法，并提供用于 3D 深度学习和 LfD 算法的基线。

Jul, 2021

单目三维人体姿态估计是一个具有固有歧义的任务，我们提出了 ManiPose，一种新颖的多假设模型，通过在人体姿势流形内约束模型，提供多组候选三维姿势，并达到更强一致性，从而超越现有的姿势一致性性能。

Dec, 2023

6D 目标姿态估计是计算机视觉中一个重要且具有挑战性的任务，本文介绍了 Omni6DPose 数据集以及使用 GenPose++ 方法对其进行的基准分析。

Jun, 2024

基于物理约束的手 - 物体重构模型，利用合成数据集 ObMan 进行模型训练和验证，达到手 - 物交互场景下的稳定手部姿势和可行物体形状重构。

Apr, 2019

通过使用多台智能手机捕捉来自不同角度的 40 个人在不同场景下的 11M 帧图像，我们构建了 FreeMan 这一大规模真实世界多视图数据集，以促进 3D 姿势估计的发展，并提供了全面的评估基线，凸显了 FreeMan 所带来的巨大挑战。

Sep, 2023

该研究利用机器人抓取领域的成功思路，提出了一种面向人形机器人的全身姿态情况分类系统，分类出人形机器人在环境互动中可能存在的姿势，使其在执行多接触的行走和操纵任务时更稳定、更具鲁棒性，并基于该分类法实现了基于运动捕捉数据的姿态分割技术。

Mar, 2015

本文介绍了一个新的数据集，用于 6-DoF 姿态估计已知物体，在机器人操作研究方面重要。数据集由一组玩具杂货物品组成，旨在方便机器人抓取和操纵，提供了这些物品的 3D 模型和 RGBD 图像，可用于产生合成训练数据，并提出了一个新的姿态评估指标 ADD-H。

Mar, 2022

该研究提出了一种新颖的学习框架，用于视觉手部动力学分析，考虑了手部运动的生理方面。通过将肌肉骨骼系统与可学习的参数手部模型（MANO）集成起来，创建了一种新的模型 MS-MANO，模拟肌肉和肌腱的动力学驱动骨骼系统，对产生的扭矩轨迹施加了生理上的真实约束。进一步提出了一个模拟中的姿势精炼框架 BioPR，通过多层感知机（MLP）网络来优化初始估计的姿势。通过与 MyoSuite 的比较评估了 MS-MANO 的准确性，而与两个大规模公共数据集和两种最新的先进方法的比较评估了 BioPR 的效能。结果表明，与基准方法相比，我们的方法在定量和定性上都持续改进了。

Apr, 2024