本论文提供了一个丰富的数据集，针对解决仓库拣选和放置任务时出现的挑战，集中探讨了基于RGBD的三维物体姿态估计的状态最新发展。该数据集包括成千上万张图片和相应物体的基准数据，在不同的位置和杂乱程度的条件下使用。以一个近期发展的基于RGBD的姿态估计算法为例，进行了评估，并应用各种修改和改进来提高检测的准确性，以提高仓库拾取和放置领域的性能。

Sep, 2015

针对工业垃圾桶拣选这一具有挑战性的任务，本文提出一种新型的基于部件感知实例分割管道，其中采用部件聚合模块将感知到的部件组装为实例，并且通过产生地面真实部件级标签的自动标签解耦方案来指导网络学习。本文还贡献了第一个实例分割数据集，该数据集包含各种薄且具有非平凡形状的工业物体，并在各种工业物体上进行了广泛的实验，结果表明，与现有的最新方法相比，我们的方法能够实现最佳的分割效果。

Mar, 2022

本文提出了一种迭代的自我训练框架，以促进成本效益的机器人抓取，该框架用于实现基于模拟的对象姿态估计，并不断改进以更好地预测真实数据，并在公开基准测试和作者新发布的数据集上取得了显著的提高。

Apr, 2022

基于深度学习的抓取预测模型已成为机器人拣选系统的行业标准，在工业生产环境中，为了最大化捡取成功率，通常配备多个末端执行器工具，但工具更换需要时间。本文探讨了抓取顺序和相应的工具更换操作如何改善系统吞吐量，提出了一种基于 Markov 决策过程的近似解法，通过考虑未知物体的存在，引入虚空区域的概念，并结合稀疏树搜索，取得了近乎最优的性能表现。同时，本文提出了一种度量工具更换规划性能的新方法，并在合成和真实世界的拣选任务环境下进行了演示。

Feb, 2023

利用基于摄像头和树莓派的硬件以及直方图信息的简化图像处理算法，提出了一种能够增强取放式机器人自主测试摄像头模块记忆体的可靠性的视觉系统，能够在摄像头模块进料托盘中确认其存在并确定在测试插座中的放置准确性。实验结果表明，该系统的准确度超过了99.92％，并具有简单而有效的特点，可以被认为是一个应用广泛的解决方案。

May, 2023

本文阐述了亚马逊机器人的 Robot Induction (Robin) 良品挑选系统通过人工智能技术的最新进展，成功实现了从大规模、无结构货堆中抓取所需产品，以此推动仓库自动化、实现物流成本节约的目标。

May, 2023

传统机器人系统在通用性与精确性之间存在明显的紧张关系。本文探讨了精确和通用的拾取和放置解决方案，基于simPLE（模拟选择定位和放置）的方法，通过任务感知抓取、视触感知和再抓计划的三个主要组件，成功实现了对15个不同形状对象的精确拾取放置。

Jul, 2023

通过利用新的视觉传感器和位姿估计算法，本研究成功实现了垃圾桶中的位姿估计，并在世界机器人峰会2018零件装配挑战赛中取得了更高的分数，显示出目前的技术能够在垃圾桶拾取方面取得较高水平的结果。

Sep, 2023

本研究解决了姿态估计中的人工标注数据缺乏的问题，提出了一种自监督的微调方法，通过抓取姿态进行数据验证。该方法使机器人能够在运行过程中自动获取训练数据，显著提升了在箱体抓取任务中的性能，并超越了基于CAD模型训练的先进方法。

Sep, 2024

本研究解决了仓库机器人在多样化物品管理中的抓取能力不足的问题。通过利用基础模型，仅使用RGB图像来增强吸盘抓取的效果，我们提出了一种创新方法，该方法在合成数据集上进行训练，并成功推广到真实世界的机器人和新型物品，实现了82.3%的成功率。此项工作为减少硬件依赖并提升机器人通用性开辟了新途径。

Sep, 2024