这篇论文介绍了一个机器人系统，可以通过自主学习的方式进行物体位姿估计，并通过环境中的物体抓取或推动的交互方式持续收集数据并完善其位姿估计模块，从而提高对象分割和 6D 姿态估计的性能。

Sep, 2019

本文提出了一种新的低成本硬件接口，用于收集人们在不同环境下的物品抓取演示，并利用这些数据通过强化学习训练出一种稳健的端到端六自由度闭环握取模型，并能成功地应用于真实机器人的握取任务中。

Dec, 2019

通过简单的人类示范，我们提出了一种既不需要大量标注图像，也不受特定几何形状限制的机器人抓取方法：利用一个小的 RGB-D 图像序列构建相关的手和物体网格模型，然后在当前环境中估计物体的姿态并转移所需的抓取指令。

Dec, 2021

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

本文提出了一种新型遥控系统，包含了触觉设备以及虚拟现实界面，应用于动态和非结构化环境下的空中机器人操作。利用多个传感器进行感知、姿态估计以及神经网络的主动学习等算法，针对工业领域的任务进行了验证实验，并展示了该系统在未来工业应用中的可行性。

Oct, 2022

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

通过使用一个新型的人机协作系统，允许人类操作员与机器人共同控制机器人末端执行器，从而实现了同时进行人类示范收集和机器人操作教学，以提高数据收集效率和降低人类适应性需求。

Jun, 2024

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

通过使用 RGB-D 数据流和视觉技术，本研究提出了一种自动生成并适应新物体姿态的抓取轨迹的方法，通过将轨迹相对于物体框架进行投影，实现了在多个不同机器人设置和物体上的抓取任务的高效执行。

Oct, 2023

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