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

本论文提出了使用多指机器人手和被操作物体之间的接触来表示抓取的新方法，并通过一个端到端的网络实现在杂乱环境中抓取未知物体的目标。同时，我们创建了一个包括五千个场景的综合数据集，并进行了全面的实验研究，实验结果表明，我们的方法表现优于目前最先进的三指机械手抓取方法。

Mar, 2023

本论文提出了一种可微分的多指抓取生成网络（DMFC-GraspNet），通过引入新的抓取表示和密集标签映射方法，使得多指机器人抓取更加灵活、密集，推动了机器人抓取领域的发展。

Aug, 2023

本文提出基于对象接触点和手接触点的一致性设计新目标模型以及自我监督任务来生成人类手的抓取姿态，实验证明该模型在人类手抓取方面比其他最先进方法有了显著的提升，特别是在测试过程中对未见过和超出领域的物体表现出更大的增益。

Apr, 2021

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

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

本篇研究通过介绍一种新的中间变量来提高三维抓取合成的效率，以解决现有方法想要直接从物体映射到抓取姿势的非光滑和低效问题，并提出了一种基于接触区域的因子图形式来描述抓取姿态生成过程，并通过实验验证了优化方法的有效性。

Oct, 2022

生成逼真的手部动作序列与物体的交互在数字人方面越来越受到关注，之前的工作已经证明了利用基于占据或基于距离的虚拟传感器来提取手物体交互特征的有效性，但是这些方法在物体类别、形状和大小方面的泛化能力有限。为了解决这个挑战，我们引入了一种新颖的以关节为中心的传感器，用于推理潜在交互区域附近的局部物体几何。该传感器查询每个手关节附近的物体表面点。我们通过将点从全局坐标系转换为手部模板坐标系，并使用共享模块处理每个独立关节的传感器特征来减少学习复杂性。然后，我们使用时空转换网络捕捉不同维度中关节之间的相关性。此外，我们设计了简单的启发式规则，以扩充有限的训练序列，增加丰富的静态手抓取样本。这样在训练过程中观察到更广泛的抓取类型，从而增强了我们模型的泛化能力。我们在两个公开数据集 GRAB 和 InterCap 上进行评估，结果表明我们的方法在定量和感知上都优于基线模型。

Apr, 2024

该论文介绍了一种从物体形状和接触中进行功能性抓握合成的框架，成果能用于不同手模型的功能抓握合成，该方法是基于人体接触示范的数据集进行的。

Apr, 2019

本文介绍了 EfficientGrasp，它是一种与机械手规格无关的抓握合成和夹爪控制方法。它使用夹爪工作空间特征，可以用更少的数据训练生成更多类型的夹爪，且在模拟和真实环境下的对象抓握实验中，未带环回约束的夹爪的成功率提高了 3.10％，在带有环回约束的夹爪中的成功率为 83.3％。

Jun, 2022