通过分析三维点云中的对象几何形状（简单和复杂），提出了一种基于 PointGrasp 的实时系统，用于识别日常生活中的家居场景，并支持和增强日常活动中的定制化端到端抓取任务，实现可达对象的定位和识别。该系统在简单和复杂几何形状的情况下，平均 RMSE 为 0.8±0.39 cm 和 0.11±0.06 cm，展示了在视觉驱动的机器人辅助康复手动任务中的潜力。

Mar, 2024

本论文提出了一种端到端的夹持评估模型 (PointNetGPD)，可以直接从三维点云中定位机器人夹持配置，采用 350k 点云与夹持数据集来训练，并经过在仿真和实际机器人硬件上的实验测试，结果表明该模型具有较好的泛化性并优于现有的方法。

Sep, 2018

本文提出了一种端到端的方法，用于直接预测所有抓取的姿态，类别和得分，并介绍了一种快速的基于 Ferrari Canny 度量的多目标抓取检测算法。该方法无需采样或搜索过程，使用整个稀疏点云作为输入。实验表明，该方法的成功率和完成率均优于当前最先进的方法。

Mar, 2020

本文提出了一种名为 3DSGrasp 的新型抓取策略和一种基于 Transformer 编码器 - 解码器网络和 Offset-Attention 层的 PCD 补全网络，该网络不受对象姿态和点置换的影响，可在部分 PCD 的情况下实现可靠的抓取姿势。实验表明，在 PCD 补全任务中，3DSGrasp 的性能优于最先进的方法，并且在实际场景中大大提高了抓取成功率。

Jan, 2023

Grasping 主题的研究通过 GenHeld 方法实现了在 3D 或 2D 条件下合成被握住的物体，包括选择、定位和编辑操作，结果展示了高质量和可行性。

Jun, 2024

本文提出了一种有效的机器手抓取检测方法，通过处理嘈杂的 RGBD 图像或点云来输出适合的机械臂抓取配置的估计值，实现了对新对象的抓取成功率最高可达 93%。

Jun, 2017

该研究论文介绍了一种动态场景重建的新型双阶段流程，通过绕过遮挡的限制，持续捕捉不断演化的场景几何形状，从而增强整体抓取规划过程，并使最先进的 6 自由度机器人抓取算法展示出明显的改进精度。

Apr, 2024

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

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

提出一种基于神经网络模型的新方法，对六自由度抓取姿态进行检测，能够更好地提高单视点云数据的抓取成功率。

Oct, 2022