Grasp Failure Constraints for Fast and Reliable Pick-and-Place Using Multi-Suction-Cup Grippers
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Dexterity, Inc.（Dexterity公司）
本文针对多吸盘抓取器抓取重物时的失败预测难题，提出基于二次规划求解载荷分布的通用建模方法，并构建可集成到时间最优轨迹规划的抓取失败约束，实现快速可靠的拾放操作。
2024-08-07 cs.RO
Compliant Suction Gripper with Seamless Deployment and Retraction for Robust Picking against Depth and Tilt Errors
Seoul National University（首尔国立大学）
由于视觉系统中的深度和倾斜误差，在非结构化环境中应用吸力抓持器是一项具有挑战性的任务，需要额外的成本来进行精细的感测和控制。为了减少额外的成本，已经提出了具有顺应性主体或机构的吸力抓持器;然而，它们的笨重和有限的容许误差阻碍了它们在具有大误差的复杂环境中的使用。在这里，我们提出了一个紧凑的吸力抓手，可以在很宽的距离和倾斜角度范围内拾取物体，而无需精心的传感和控制。插入弹簧的夹持器主体展开并符合远距离和倾斜的物体，直到吸盘完全密封物体，并立即缩回，同时保持物体。这种无缝的展开和缩回是通过将夹持器主体和吸盘连接到相同的真空源来实现的，该真空源耦合夹持器主体的真空拾取和缩回。实验结果表明，所设计的夹持器能够抓取79 mm（初始长度的1.4倍）以内的物体，并且能够抓取倾角最大为60°的物体。通过实验验证了该夹持器的可行性，包括从同一拾取高度拾取不同高度的物体和透明物体的分仓拾取。
2022-11-29 cs.RO
SuctionPrompt: Visual-assisted Robotic Picking with a Suction Cup Using Vision-Language Models and Facile Hardware Design
National Institute of Advanced Industrial Science and Technology (AIST)（日本国立先进工业科学技术研究院（AIST））
针对视觉-语言模型与现实机器人任务有效整合的难题，研究提出SuctionPrompt系统，结合VLM提示技术与3D检测实现动态环境抓取，验证了简单3D处理下VLM的操作有效性。
2024-10-31 cs.RO
Initial Analysis of Data-Driven Haptic Search for the Smart Suction Cup
University of California Berkeley（加州大学伯克利分校）；University of California Santa Cruz（加州大学圣克鲁兹分校）
本文针对智能吸盘在困难物体上的抓取问题，初步比较基于模型与数据驱动方法估计横向位姿调整方向的效果，以提升吸盘抓取成功率。
2023-10-21 cs.RO
A Bioinspired Stiffness Tunable Sucker for Passive Adaptation and Firm Attachment to Angular Substrates
University of Twente（特文特大学）
适应和顺应有角度和不平坦表面的能力提高了吸盘在抓握和操作方面的性能。然而，在大多数情况下，适应成本缺乏表面附着后操纵所需的刚度;因此，理想的情况是在适应期间具有顺应性，并且在附着到表面后具有刚度。然而，吸盘中的大多数刚度调节技术需要额外的致动。本文提出了一种新的刚度可调吸盘，适用于陡峭的角度表面。使用颗粒堵塞作为真空驱动的刚度调制提供了用于激活机构的无传感器。因此，该设计由连接到粒状茎的常规主动吸盘组成，模仿在适应期间顺应的铰链行为，并且在确保附接之后具有高刚度。在实验过程中，吸盘可以以低于0.5N的力适应高达85度的角度。我们还研究了颗粒柄的长度对适应的影响，以及与没有刚度调制的被动适应相比，这种设计的表现如何。
2022-10-26 cs.RO
Model-free Grasping with Multi-Suction Cup Grippers for Robotic Bin Picking
Bosch Center for Artificial Intelligence（博世人工智能中心）
本文提出一种与夹爪设计无关的多吸盘无模型抓取位姿预测方法，通过神经网络预测逐像素抓取质量并结合优化步骤确定最优夹爪选择与位姿，同时引入自动标注方法，在真实工业料箱拣选场景中验证了有效性。
2023-07-31 cs.AI cs.RO
Demonstrating Multi-Suction Item Picking at Scale via Multi-Modal Learning of Pick Success
Amazon Robotics（亚马逊机器人技术）
本研究针对仓库等场景下非结构化堆叠物的多吸嘴机器人拾取难题，提出基于多模态视觉编码器的拾取成功率预测方法，经多数据集验证可实现高效拾取，且推理时仅需部分模态输入。
2025-06-12 cs.LG cs.RO
Suction Grasp Region Prediction using Self-supervised Learning for Object Picking in Dense Clutter
Shanghai Jiao Tong University（上海交通大学）
研究了机器人在杂乱环境下的拣选任务。由于拣仓作业中姿态的多样性、堆垛类型的多样性和背景的复杂性，在抓取之前对其进行姿态识别和估计是非常困难的。本文将Resnet与卷积神经网络（CNN）的一种特殊框架--U-net结构相结合，在不需要识别和姿态估计的情况下预测拾取区域。使机器人采摘系统能够从零开始学习采摘技能。同时，我们用在线样本对网络进行端到端的训练。在本文的最后，进行了几个实验来证明我们的方法的性能。
2019-04-24 cs.CV cs.LG cs.RO
FlexiCup: Wireless Multimodal Suction Cup with Dual-Zone Vision-Tactile Sensing
Shenzhen Ubiquitous Data Enabling Key Lab, Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，深圳泛在数据赋能重点实验室）；Peng Cheng Laboratory（鹏城实验室）
FlexiCup通过无线电子集成双区视觉-触觉传感，实现接触感知操控，验证了传感与驱动解耦的有效性，同时在不同气动原理下均表现出色。
2026-03-28 cs.RO
An analysis of sensor selection for fruit picking with suction-based grippers
Collaborative Robotics and Intelligent Systems (CoRIS) Institute（协作机器人与智能系统研究所）
本文提出一种多模态传感系统，用于评估不同采摘阶段传感器的效用，通过实验证明随机森林和多层感知器在检测成功采摘和即将失败事件中的高准确率。
2026-04-27 cs.LG cs.RO cs.SY
Sim-to-Real Deep Reinforcement Learning with Manipulators for Pick-and-place
United Kingdom Atomic Energy Authority（英国原子能管理局）；The University of Manchester（曼彻斯特大学）
本文提出一种基于自监督视觉的深度强化学习方法，通过高度敏感动作策略实现从仿真到现实的直接迁移，无需真实环境微调即可完成拾放任务，真实实验中吸盘抓取成功率达90%。
2023-09-17 cs.AI cs.RO
Design and Development of an automated Robotic Pick & Stow System for an e-Commerce Warehouse
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；Tata Consultancy Services（塔塔咨询服务公司）
在本文中，我们提供了一个机器人系统，可以自动化的任务，采摘和堆放对象从和机架上的电子商业履行仓库的细节。该系统主要包括四个主要模块：（1）感知模块，负责识别查询对象并将其定位在三维机器人工作空间中;（2）规划模块，生成机器人末端执行器到达货架或搬运箱中的对象所必须采取的必要路径;（3）校准模块，其定义通过机载视觉系统可见的机器人的物理工作空间;以及（4）用于拾取和装载不同种类的物体的夹持和抽吸系统。感知模块使用更快的基于区域的卷积神经网络（R-CNN）来识别物体。设计了一种新型双指夹持器，该夹持器结合了气动阀的吸力效应，以提高夹持器抓取不同物体的能力。该系统由IITK-TCS团队开发，用于参加2016年亚马逊采摘挑战赛。该队在比赛中获得了装载任务的第五名。本文的目的是与学生和实践工程师分享我们的经验，使他们能够构建类似的系统。该系统的整体功效是通过几个模拟以及真实世界的实验与实际的机器人。
2017-03-07 cs.RO
Realtime State Estimation with Tactile and Visual Sensing for Inserting a Suction-held Object
Massachusetts Institute of Technology（麻省理工学院）
我们开发了一个实时的状态估计系统来恢复的姿态和接触形成的对象相对于它的环境。在本文中，我们专注于将吸盘拾取的物体插入到狭小空间中的应用，这是机器人包装的一项使能技术。我们提出了一个框架，融合力和视觉感知，以提高准确性和鲁棒性。视觉感测是通用的和非侵入性的，但是遭受遮挡和有限的准确性，特别是对于涉及接触的任务。触觉感知是局部的，但提供了对闭塞的准确性和鲁棒性。所提出的算法融合它们是基于iSAM，一种在线优化技术，我们使用它来结合从机器人的运动学测量，接触的对象和容器的几何形状，和视觉跟踪。在本文中，我们推广以前的结果在平面设置到一个3D的任务，更复杂的接触相互作用。使用力感测的一个关键挑战是我们不能直接观察接触点定位。我们提出了一个数据驱动的方法来推断接触形成，然后使用实时的状态估计。我们演示和评估的算法在一个安装仪表提供地面实况。
2018-03-21 cs.RO
Deep Reinforcement Learning for Robotic Pushing and Picking in Cluttered Environment
Tsinghua University（清华大学）；Shenzhen Academy of Robotics（深圳机器人研究院）
本文提出了一种新的机器人抓取系统，用于在复杂场景中自动拾取物体。设计了一种由吸盘和夹持器组成的复合机械手，用于稳定抓取物体。吸盘用于首先将物体从杂物中提起，并且抓持器用于相应地抓持物体。我们利用示能图为吸盘提供像素级提升点候选。为了获得良好的示能图，系统引入了主动探索机制。设计了一个有效的度量来计算当前示能图的奖励，并采用深度Q网络（DQN）来引导机器人手主动探索环境，直到生成的示能图适合抓取。实验结果表明，所提出的机器人抓取系统是能够大大提高机器人抓取的成功率在混乱的场景。
2023-02-21 cs.CV cs.LG cs.RO
Edge and Corner Detection in Unorganized Point Clouds for Robotic Pick and Place Applications
IIT Kanpur（印度理工学院坎普尔分校）；TCS Innovation Labs（塔塔咨询服务创新实验室）
在本文中，我们提出了一种新的边缘和角点检测算法的散乱点云。我们的边缘检测方法分类查询点作为边缘点，通过评估查询点周围的局部相邻点的分布。所提出的技术已经在斯坦福大学3D扫描库中的龙、兔子和咖啡杯等通用物品上进行了测试。所提出的方法可以直接应用于真实的和未经处理的点云数据的随机杂波的对象。为了证明所提出的技术的有效性，我们将其与其他在无组织点云数据中提取3D边缘的解决方案进行了比较。我们观察到，所提出的方法可以处理的原始数据和噪声的参数变化不大的其他方法相比。我们还扩展了该算法，以估计存在密集杂波的已知对象的6D姿态，同时处理多个实例的对象。整体方法进行测试的仓库应用程序，其中一个实际的UR5机器人机械手用于机器人拾取和放置操作在一个自主模式。
2021-04-21 cs.RO
Compact robotic gripper with tandem actuation for selective fruit harvesting
Collaborative Robotics and Intelligent Systems (CoRIS) Institute（协作机器人与智能系统（CoRIS）研究所）；Oregon State University（俄勒冈州立大学）
针对选择性果实采摘中枝叶遮挡的难题，提出结合柔顺吸盘与凸轮驱动伸缩指的串联驱动紧凑型夹爪，经测试抓取强度约40N，遮挡环境下抓取成功率超96%，并在商业果园完成验证。
2024-08-13 cs.RO cs.SY eess.SY
A Fast and Reliable Pick-and-Place Application with a Spherical Soft Robotic Arm
Institute for Dynamic Systems and Control, ETH Zurich（苏黎世联邦理工学院动态系统与控制研究所）
本文提出了一种学习控制方法的应用，实现了快速，可靠的取放应用程序与球形软机械臂。该臂的特点是由一个轻量级的设计，并表现出符合由于软材料部署的行为。采用了一种柔软的连续体关节，它允许在单个关节中同时控制一个平移和两个旋转自由度。这允许我们在拾取和放置应用期间用附接的吸盘轴向接近并拾取物体。介绍了一种基于压力差和对抗致动器配置的控制分配，允许系统动力学解耦，简化了建模和控制。一个线性参数变化的模型，这是参数化的附加负载质量和参数有关的关节刚度。提出了一种增益调度反馈控制器，它渐近稳定的机器人系统的积极调整和大的变化的参数考虑。该控制架构增强了迭代学习控制方案，能够精确跟踪侵略性轨迹，包括在0.3秒（无质量连接）至0.6秒（负载质量连接）内60度的设定点过渡。提出的建模和控制方法的结果在一个可靠的实现的取放应用程序，并通过实验证明。
2021-03-07 cs.RO cs.SY eess.SY
