Instance Segmentation for Autonomous Log Grasping in Forestry Operations
Université Laval（拉瓦尔大学）
木材原木采摘是一项具有挑战性的任务自动化。事实上，原木通常是杂乱的配置，随机定向和重叠。目前的原木拣选自动化工作通常假设原木的姿态是已知的，很少考虑实际的感知问题。在本文中，我们直接解决后者，使用数据驱动的方法。首先，我们介绍一个新的数据集，名为TimberSeg 1.0，它是密集注释的，即，包括边界框和日志的像素级掩码注释。该数据集包括220幅图像，其中包含2500个单独分割的日志。使用我们的数据集，然后我们比较三个神经网络架构的任务，个别日志检测和分割;两个基于区域的方法和一个基于注意力的方法。不出所料，我们的结果表明，轴对齐的建议，没有考虑到日志的方向性，表现不佳与19.03 mAP。一个旋转感知的建议方法显着提高结果到31.83 mAP。更有趣的是，基于transformer的方法，在旋转上没有任何归纳偏差，优于其他两种方法，在我们的数据集上实现了57.53的mAP。我们的用例展示了基于区域的方法对于杂乱、细长对象的局限性。它还强调了基于注意力的方法在这一特定任务上的潜力，因为它们直接在像素级上工作。这些令人鼓舞的结果表明，这样的感知系统可以用来帮助操作员在短期内，或完全自动化日志采摘操作在未来。
2022-10-18 cs.CV cs.RO
UltraDexGrasp: Learning Universal Dexterous Grasping for Bimanual Robots with Synthetic Data
Shanghai AI Laboratory（上海人工智能实验室）；The Chinese University of Hong Kong（香港中文大学）；Zhejiang University（浙江大学）；The University of Hong Kong（香港大学）；Peking University（北京大学）
UltraDexGrasp通过合成数据训练出高效抓取策略，实现双臂机器人在多种物体上的高成功率抓取。
2026-03-05 cs.RO
Towards Autonomous Wood-Log Grasping with a Forestry Crane: Simulator and Benchmarking
Automation & Control Institute (ACIN), TU Wien（自动化与控制研究所（ACIN），维也纳技术大学）；AIT Austrian Institute of Technology GmbH（奥地利技术研究院）；Department of Computer Science, University of Liverpool（利物浦大学计算机科学系）
本文构建了基于Mujoco的林业起重机仿真器，提出结合课程策略的深度强化学习速度控制器，实现自主原木抓取，成功率达96%，并提供开源基准。
2025-02-03 cs.RO
RL-Driven Data Generation for Robust Vision-Based Dexterous Grasping
Applied Robotics Research, Microsoft（微软应用机器人研究）
提出利用强化学习生成接触丰富的抓取数据，以增强视觉-动作模型在灵巧抓取中的泛化能力，缓解数据瓶颈。
2025-04-25 cs.RO
IPC-GraspSim: Reducing the Sim2Real Gap for Parallel-Jaw Grasping with the Incremental Potential Contact Model
University of California, Berkeley（加州大学伯克利分校）
准确模拟物体在抓取过程中是安全地举起还是落下是Sim 2 Real长期面临的挑战。软柔性钳口尖端几乎普遍用于平行钳口机器人夹持器，因为它们能够增加钳口和待操纵物体之间的接触面积和摩擦。然而，柔性表面和刚性物体之间的相互作用是出了名的难以建模。我们介绍了IPC-GraspSim，这是一种新型的抓取模拟器，它扩展了增量电位接触（IPC）-一种在2020年开发的用于计算机图形学的高精度碰撞+变形模型。IPC-GraspSim对柔性钳口尖端的动力学和变形进行建模，以减少机器人抓取的Sim 2 Real间隙。我们使用一组2，000个物理抓取来评估IPC-GraspSim，这些物理抓取跨越16个对抗性对象，其中分析模型表现不佳。与分析准静态接触模型（软点接触，REACH，6DFC）和动态抓取模拟器（Isaac Gym with FlexX）相比，结果表明IPC-GraspSim可以预测具有更高精度和召回率的鲁棒性（F1 = 0.85）。IPC-GraspSim将F1得分在分析基线上提高了0.03至0.20，在Isaac Gym上提高了0.09，计算时间分别增加了8000倍和1.5倍。所有数据、代码、视频和补充材料均可在https://sites.google.com/berkeley.edu/ipcgraspsim上获得。
2022-03-02 cs.RO
Optimization of sim-to-real transfer in the humanoid robot NICO
Comenius University Bratislava（布拉迪斯拉发夸美纽斯大学）
研究针对人形机器人模拟到现实转换中因定位误差妨碍抓取的问题，通过添加多种检测和定位方法及校正，形成基于校准的抓取管道，并实现视觉反馈模型，提高了抓取成功率。
2026-07-21 cs.RO
Supermarket-6DoF: A Real-World Grasping Dataset and Grasp Pose Representation Analysis
Swiss Federal Institute of Technology Lausanne (EPFL)（洛桑联邦理工学院）；Deakin University（迪肯大学）
提出真实世界抓取数据集Supermarket-6DoF，含20类超市物品的1500次物理抓取尝试及6DoF姿态标注，并比较三种抓取表示，发现点云式夹爪表示预测成功率最高。
2025-02-22 cs.RO
Learning-based Optoelectronically Innervated Tactile Finger for Rigid-Soft Interactive Grasping
University of Hong Kong（香港大学）；Southern University of Science and Technology（南方科技大学）；SUSTech Institute of Intelligent Manufacturing（南方科技大学智能制造研究院）
提出了一种利用多通道光纤实现软硬交互抓取的全方位自适应柔性触觉手指的设计方案。机器学习方法用于训练用于使用所收集的触觉数据实时预测力、扭矩和接触的模型。我们进一步将这些手指集成到具有三个手指的可重构夹持器设计中，使得手指布置可以基于抓取过程中收集的触觉数据实时主动调整，实现刚性-柔性交互式抓取过程。详细的传感器校准和实验结果也包括进一步验证所提出的设计增强抓取鲁棒性。
2021-01-29 cs.RO
DiffuDepGrasp: Diffusion-based Depth Noise Modeling Empowers Sim2Real Robotic Grasping
The State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Beijing Zhiwangweilai Technology Co., Ltd.（北京智王未来科技有限公司）
针对深度抓取策略Sim2Real迁移中噪声仿真失真、部署开销大的问题，提出DiffuDepGrasp框架，通过双模块扩散深度生成器建模真实深度噪声，实现零样本迁移，部署无额外开销，抓取成功率达95.7%。
2025-11-17 cs.RO
DG16M: A Large-Scale Dataset for Dual-Arm Grasping with Force-Optimized Grasps
Robotics Research Center, IIIT Hyderabad（IIIT Hyderabad机器人研究中心）；IIITDM Kancheepuram
针对双臂抓取数据集稀缺的问题，该研究推出含1600万次抓取的DG16M大规模数据集及300物体的仿真基准数据集，训练的双臂抓取分类器比SOTA性能提升15%。
2025-07-27 cs.RO
Pose-Agnostic Robotic Functional Grasping via Observation-Action Canonicalization
Tsinghua University（清华大学）；Amazon（亚马逊）；Stanford University（斯坦福大学）；University of California, Berkeley（加州大学伯克利分校）
提出AnyMug框架，通过观测-动作规范化将深度观测和末端执行器动作转换到物体中心坐标系，训练单一闭环策略实现零样本迁移的功能性抓取，在模拟和真实机器人上均取得高成功率。
2026-06-23 cs.RO
Transferable Active Grasping and Real Embodied Dataset
Shanghai Jiao Tong University（上海交通大学）
对于机器人视觉系统来说，在杂乱场景中进行抓取是一个挑战，因为物体的部分遮挡会阻碍检测精度。我们采用了一个强化学习（RL）框架和3D视觉架构来搜索可行的视点，通过使用手持RGB-D相机进行抓取。为了克服照片级真实感环境模拟的缺点，我们提出了一个名为Real Embodied Dataset（RED）的大规模数据集，其中包括上半球的全视角真实样本，并带有非模态注释，并支持具有真实视觉反馈的模拟器。在此基础上，提出了一种实用的3级可转移主动抓取流水线，该流水线对不可见的杂波场景具有自适应能力。在我们的管道中，我们提出了一种新的掩码引导的奖励，以克服稀疏的奖励问题，在把握和确保类别无关的行为。抓取管道及其可能的变体进行了评估，在模拟和现实世界的UR-5机器人手臂上进行了广泛的实验。
2020-04-28 cs.CV cs.RO
Design of an Optoelectronically Innervated Gripper for Rigid-Soft Interactive Grasping
Southern University of Science and Technology（南方科技大学）；University of Hong Kong（香港大学）
在过去的几十年里，已经努力实现鲁棒的机器人抓取，因此灵巧的操作。柔性手爪由于其固有的低成本、控制复杂性和高适应性等特点，在鲁棒抓取方面显示出了巨大的潜力。然而，柔性手爪在与物体交互时的变形带来了抓取物体的不准确性，这导致了鲁棒抓取和进一步操作的不稳定性。在本文中，我们提出了一个全方位的自适应软手指，可以感知基于嵌入式光纤和应用机器学习方法来解释透射光强度的变形。此外，利用软手指提供的触觉信息，我们设计了一种低成本的多自由度夹持器，以主动顺应物体的形状，优化抓取策略，这就是所谓的刚性-柔性交互抓取。这种抓取策略的两个主要优点是：一是通过主动适应可以实现更鲁棒的抓取;二是所收集的触觉信息有助于进一步的操作。
2020-12-06 cs.RO
Automatic Acquisition of a Repertoire of Diverse Grasping Trajectories through Behavior Shaping and Novelty Search
Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
抓取特定物体可能需要专用抓取移动，该专用抓取移动也可能是机器人末端执行器特有的。不存在通用的和自主的方法来生成这些运动，而不对机器人或物体进行假设。学习方法可以帮助自主发现相关的抓取动作，但它们面临着一个重要的问题：抓取动作是如此罕见，以至于基于探索的学习方法几乎没有机会观察到有趣的动作，从而产生了引导问题。为了解决这个问题，我们引入了一种生成不同抓取动作的方法。运动是在模拟中生成的，用于特定的对象位置。我们在几个模拟机器人上进行了测试：Baxter，Pepper和Kuka Iiwa手臂。虽然我们表明生成的运动实际上适用于真实的Baxter机器人，但目的是使用这种方法创建一个大型数据集来引导深度学习方法。
2022-05-17 cs.LG cs.RO
Domain Randomization for Sim2real Transfer of Automatically Generated Grasping Datasets
Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Institut des Systèmes Intelligents et de Robotique（智能系统与机器人研究所）
针对机器人抓取数据集多限于仿真、现实迁移难的问题，本文用QD方法生成多类机械臂的7000余条抓取轨迹并实测，验证域随机化质量准则与迁移性的关联，提出增强鲁棒性的QD方法，在Franka Research 3上实现84%迁移率。
2023-10-06 cs.LG cs.RO
GRIP: A General Robotic Incremental Potential Contact Simulation Dataset for Unified Deformable-Rigid Coupled Grasping
AIVC Laboratory, UCLA, USA（UCLA美国大学先进视觉计算实验室）；Toyota Research Institute, USA（美国丰田研究院）；University of Utah, USA（美国犹他大学）
本文提出GRIP数据集，利用优化的IPC仿真器实现最高48倍加速，在1200个物体和10万个抓取姿态上自动生成柔顺夹爪与可变形物体的抓取交互数据，支持神经抓取生成与应力场预测。
2025-07-03 cs.GR cs.RO
DexGraspNet 2.0: Learning Generative Dexterous Grasping in Large-scale Synthetic Cluttered Scenes
Peking University（北京大学）；UC Berkeley（加州大学伯克利分校）；Beijing Academy of Artificial Intelligence（北京智源人工智能研究院）
针对杂乱场景下灵巧抓取数据稀缺的问题，研究提出大规模合成基准DexGraspNet 2.0及基于局部几何条件扩散模型的两阶段生成抓取方法，仿真表现优于基线，零样本 sim-to-real 迁移后现实抓取成功率达90.7%。
2024-10-30 cs.CV cs.RO
Blind Dexterous Grasping via Real2Sim2Real Tactile Policy Learning
ShanghaiTech University（上海科技大学）；Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院）
提出一种结合Real2Sim触觉校准、布局感知触觉编码器和触觉条件扩散策略的框架，实现仅依赖触觉的灵巧手盲抓取，在真实机器人上对20个物体达到27%成功率。
2026-06-12 cs.AI cs.RO
GraspGen: A Diffusion-based Framework for 6-DOF Grasping with On-Generator Training
NVIDIA
GraspGen 提出基于扩散变换器的六自由度抓取生成框架，结合生成器上训练的判别器进行抓取筛选，并发布超5300万抓取数据集，在仿真、FetchBench 和真实机器人上均取得领先性能。
2025-07-17 cs.AI cs.RO
Sim-MEES: Modular End-Effector System Grasping Dataset for Mobile Manipulators in Cluttered Environments
Purdue University（普渡大学）
本文提出大规模合成数据集Sim-MEES，包含1550个物体和1100万抓取标签，结合分析模型与动态仿真为平行夹爪和吸盘夹爪生成精确标签，助力移动机械臂在杂乱环境中规划抓取。
2023-05-17 cs.AI cs.RO
AllTact Fin Ray: A Compliant Robot Gripper with Omni-Directional Tactile Sensing
Department of Mechanical Engineering, Tsinghua University（清华大学机械工程系）；Tsinghua-Berkeley Shenzhen Institute（清华大学-伯克利深圳研究院）；Institute of Data and Information, Shenzhen International Graduate School, Tsinghua University（清华大学数据与信息研究所、深圳国际研究生院）
本文提出 AllTact Fin Ray 柔顺机器人夹爪，通过相机捕捉指体形变，并提出基于边缘特征重建全局形变与动态参考图像亮度差异计算接触几何的新方法，实现了全向触觉感知，在接触检测、力估计和精确操作等任务中验证了有效性。
2025-04-25 cs.RO
D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping
Physical Superintelligence (PSI) Lab, University of Southern California（南加州大学物理超智能实验室）；Viterbi School of Engineering, University of Southern California（南加州大学韦伯尔工程学院）；Department of EECS, University of California, Berkeley（加州大学伯克利分校电子工程与计算机科学系）
D-REX通过可微引擎实现现实到仿真到现实的抓取学习，利用高斯点表示自动构建数字双胞胎并优化质量识别，从而提升抓取策略的力感知性能。
2026-03-01 cs.CV cs.GR cs.RO
MOGRAS: Human Motion with Grasping in 3D Scenes
Machine Learning Lab, International Institute of Information Technology, Hyderabad, India（机器学习实验室，国际信息科技研究所，印度海得拉巴）；Vision AI Lab, The University of Hong Kong, Pokfulam Road, Hong Kong（视觉人工智能实验室，香港大学，薄扶林路，香港）
MOGRAS提出大规模三维场景全身抓取数据集，并给出简单有效方法提升现有抓取模型的场景感知能力，经实验验证显著改善生成质量。
2025-10-25 cs.CV cs.GR cs.RO
Learning 6-DOF Grasping Interaction via Deep Geometry-aware 3D Representations
University of Michigan（密歇根大学）；Google（谷歌）；Google Brain（谷歌大脑）；X Inc（X公司）
本文主要研究了平行颚式夹持器六自由度抓取的仿真学习问题。我们提出了一个几何感知表示在把握的基础上的假设，即知识的3D几何是在互动的心脏的概念。我们的核心思想是通过3D几何预测来约束和规则化抓取交互学习。具体来说，我们将深度几何感知抓取模型的学习公式化为两个步骤：首先，我们学习通过重建场景来构建心理几何感知表示（即，3D占用网格）。第二，我们学习预测抓取结果与其内部几何感知表示。学习的结果预测模型用于通过综合分析优化顺序地提出抓取解决方案。我们的贡献有四个方面：（1）据我们所知，我们第一次提出了一种方法来学习一个6-DOF抓取网络从RGBD输入;（2）我们建立了一个抓取数据集从演示虚拟现实丰富的感官和交互注释。该数据集包括分布在7个类别中的101个日常对象，此外，我们提出了一种用于有效学习的数据增强策略;（3）我们证明，在从我们的数据集中抓取对象时，学习到的几何感知表示比基线CNN的相对性能提高了约10%。(4)我们进一步证明，该模型推广到新的观点和对象实例。
2018-06-15 cs.AI cs.CV cs.LG
Pixel-Attentive Policy Gradient for Multi-Fingered Grasping in Cluttered Scenes
Columbia University（哥伦比亚大学）
基于策略的强化学习（RL）方法的最新进展使虚拟环境中的学习代理能够掌握具有高维和连续观察和动作空间的复杂任务。然而，利用这一系列的算法在多指机器人抓取仍然是一个挑战，由于大的模拟到真实的保真度差距和高样本复杂度的政策RL算法。这项工作的目的是弥合这些差距，首先学习多指机器人抓取策略的模拟，在像素空间的输入：一个单一的深度图像。该方法根据深度图从像素空间映射到笛卡尔空间，逼真地再现了真实世界，并引入了一种新的注意力机制，大大提高了在复杂环境下的抓取成功率。最后，该方法的直接生成性质允许学习具有灵活的末端执行器位置、取向和旋转以及手的所有自由度的多指抓握。
2019-09-21 cs.AI cs.LG cs.RO
A Parameter-Efficient Tuning Framework for Language-guided Object Grounding and Robot Grasping
Univ. of Minnesota（明尼苏达大学）
本文提出一种基于CLIP的参数高效微调框架，通过双向视觉-语言适配器和深度融合分支，在语言引导的目标定位与机器人抓取三项任务上取得优于现有方法的性能，并具备复杂空间推理能力。
2025-02-07 cs.RO
Rendering and Tracking the Directional TSDF: Modeling Surface Orientation for Coherent Maps
University of Bonn（波恩大学）
RGB-D图像的密集实时跟踪和映射是许多机器人应用（如导航或抓取）的重要工具。最近提出的方向截断符号距离函数（DTSDF）是常规TSDF的增强，并显示出更连贯的地图和改进的跟踪性能的潜力。在这项工作中，我们提出了从DTSDF渲染深度和颜色图的方法，使其成为一个真正的下拉式替代常规TSDF在既定的跟踪器。我们评估和显示，我们的方法增加了映射场景的可重用性。此外，我们增加了颜色集成，显着提高相邻表面的颜色正确性。
2021-08-18 cs.CV cs.RO
VISO-Grasp: Vision-Language Informed Spatial Object-centric 6-DoF Active View Planning and Grasping in Clutter and Invisibility
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
VISO-Grasp利用视觉-语言基础模型进行空间推理和主动视角规划，通过实例中心化表示和多视角不确定性融合，在严重遮挡环境中实现高成功率的目标导向6自由度抓取，实验成功率87.5%。
2025-08-06 cs.CV cs.RO
Functional Eigen-Grasping Using Approach Heatmaps
Graduate School of Engineering Science, Osaka University（大阪大学工程科学研究生院）；Graduate School of Engineering, Osaka University（大阪大学工程研究生院）；National Institute of Advanced Industrial Science and Technology（独立行政法人产业技术综合研究所）
本文提出一种基于接近热力图和特征抓取的功能性抓取框架，无需人类演示即可使拟人化与非拟人化机器人手自主使用按钮、扳机等日常工具。
2025-04-06 cs.RO
Adaptive Perching and Grasping by Aerial Robot with Light-weight and High Grip-force Tendon-driven Three-fingered Hand using Single Actuator
The University of Tokyo（东京大学）
针对现有空中机器人栖息方式受限、栖息手功能单一的问题，本研究提出兼具栖息与抓取功能的轻量化单驱动腱驱三指手及摆式栖息方法，实现多方向栖息与高负载抓取，提升了空中机器人的作业灵活性与效率。
2025-03-22 cs.RO
Tactile-based Reinforcement Learning for Adaptive Grasping under Observation Uncertainties
Northeastern University（东北大学）
针对工业场景中观测不确定性导致的抓取不稳健问题，本文提出一种基于触觉模拟器和PPO强化学习的自适应抓取方法，通过动态调整抓取姿态提升抓取成功率与稳定性。
2025-05-22 cs.RO
MPGNet: Learning Move-Push-Grasping Synergy for Target-Oriented Grasping in Occluded Scenes
School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院）
本文提出MPGNet三分支网络，学习移动、推动与抓取动作的协同，以在遮挡场景中高效抓取目标对象，并通过仿真和真实实验验证其有效性。
2024-08-20 cs.RO
BURG-Toolkit: Robot Grasping Experiments in Simulation and the Real World
University of Birmingham（伯明翰大学）；TU Wien（维也纳工业大学）
本文介绍了BURG-Toolkit，一套用于基准和理解机器人抓取的开源工具。我们的工具允许研究人员：（1）创建虚拟场景，用于生成训练数据并在模拟中执行抓取;（2）通过在真实机器人实验的物理世界中准确地排列相应的对象来重新创建场景，支持对模拟与真实差距的分析;以及（3）与其他研究人员共享场景，以促进实验结果的可比性和再现性。我们通过描述一些潜在的用例来解释如何使用我们的工具。我们还提供了概念验证的实验结果量化的模拟到真实的差距，在一些示例场景中的机器人抓取。这些工具可从以下网址获得：https://mrudorfer.github.io/burg-toolkit/
2022-05-27 cs.RO
Two-Stage Grasping: A New Bin Picking Framework for Small Objects
本文提出两阶段抓取框架，通过密度估计与粗略抓取、精细分割与抓取推挤两阶段，实现杂乱小物体的精确拾取，实验验证其有效性。
2023-05-06 cs.RO
Hybrid Robotic Grasping with a Soft Multimodal Gripper and a Deep Multistage Learning Scheme
Carnegie Mellon University（卡内基梅隆大学）；Tsinghua University（清华大学）；University of California, Los Angeles（加州大学洛杉矶分校）
本文提出一种结合软多模态夹爪的深度强化学习框架，实现多阶段混合机器人抓取，通过三种抓取模式优化动作数量，在仿真和真实实验中最大提升抓取效率161%和154%。
2023-03-06 cs.RO
Fast-Learning Grasping and Pre-Grasping via Clutter Quantization and Q-map Masking
Shanghai University（上海大学）；The University of Sydney（悉尼大学）
在杂乱的场景中抓取物体是机器人技术中的一项具有挑战性的任务。执行预抓取动作（如推动和移动）以分散对象是减少混乱的一种方法。基于深度强化学习，我们提出了一个快速学习抓取（FLG）框架，该框架可以集成预抓取动作和抓取，以减少现实世界的训练时间，从杂乱的场景中拾取物体。我们将执行移动动作的奖励与环境混乱的变化相关联，并利用混合触发方法，从而实现数据高效学习和协同作用。然后，我们使用扩展的全卷积网络的输出作为工作空间的每个像素点的价值函数，并建立每个动作的抓取概率的准确估计。我们还引入了一个掩模函数作为先验知识，使代理专注于准确的姿态调整，以提高收集训练数据的有效性，从而有效地学习。我们在模拟环境中对FLG进行预训练，然后将学习的模型转移到现实世界中，并进行最小的微调，以便在动作过程中进一步学习。实验结果表明，94%的把握成功率和能力，以推广到新的对象。与文献中最先进的方法相比，所提出的FLG框架可以在现实世界中以较少的训练量实现类似或更高的抓取成功率。补充视频可在https://youtu.be/e04uDLsxfDg上获得。
2021-07-06 cs.RO
Certified Grasping
Massachusetts Institute of Technology（麻省理工学院）
从几何角度研究了平面抓取的鲁棒性问题。通过将抓取视为随着时间的推移塑造对象的自由空间的过程，我们可以定义三种类型的证书来保证抓取的成功：（a）初始集合下的不变性，（b）向目标抓取的收敛性，以及（c）最终对象姿势的可观察性。我们开发的凸组合模型，这些证书，可以表示为简单的半代数关系下温和的建模假设。通过利用这些模型来合成证书，我们优化了可证明的把握任意平面物体组成的凸多边形的工会，使用操纵器描述为点手指。我们验证了这种方法与模拟和真实的机器人实验，抓住随机多边形，与其他标准的抓取规划算法进行比较，并在不同的对象进行无传感器抓取。
2019-09-09 cs.RO
Fish Mouth Inspired Origami Gripper for Robust Multi-Type Underwater Grasping
University of California, Berkeley（加州大学伯克利分校）
针对水下抓取面临的复杂环境与多样物体挑战，研究提出受鱼嘴启发的单自由度Yoshimura折痕折纸夹爪，具备四种抓取模式，可处理多种海洋生物，为水下机器人抓取提供有效新方案。
2025-03-20 cs.RO
Learning Robust Real-World Dexterous Grasping Policies via Implicit Shape Augmentation
University of Washington（华盛顿大学）；NVIDIA（英伟达）
灵巧的机器人手有能力与各种各样的家用物体进行交互，以执行抓取等任务。然而，由于难以生成高质量的训练数据，学习针对任意对象的鲁棒现实世界抓取策略已被证明是具有挑战性的。在这项工作中，我们提出了一个学习系统（ISAGrasp），利用少量的人类示范引导生成一个更大的数据集，包含成功把握各种新的对象。我们的关键见解是使用对应感知隐式生成模型来变形对象网格并展示人类抓握，以便生成新颖对象的多样化数据集和监督学习的成功抓握，同时保持语义现实主义。我们使用这个数据集训练一个强大的抓取策略，可以部署在现实世界中的模拟。我们在模拟和现实世界中展示了四指Allegro手的抓取性能，并表明这种方法可以处理全新的语义类别，并在抓取现实世界中看不见的物体时实现79%的成功率。
2022-10-24 cs.RO
High-level Reasoning and Low-level Learning for Grasping: A Probabilistic Logic Pipeline
虽然抓握必须满足抓握稳定性标准，但良好的抓握取决于特定的操作场景：对象、其属性和功能，以及任务和抓握约束。在本文中，我们认为这样的信息，机器人把握利用流形和象征性的对象部分。具体来说，我们引入了一个新的概率逻辑模块，首先语义原因预把握配置相对于预期的任务。此外，从部件相关的视觉特征到良好的抓取点的映射被学习。概率逻辑模块利用对象任务启示和对象/任务本体来编码规则，这些规则概括了类似的对象部分和对象/任务类别。使用概率逻辑的任务相关的把握与目前的方法，通常学习直接映射的视觉感知任务相关的把握点。我们展示了完整的概率逻辑流水线实验和一个真正的机器人的好处。
2014-11-04 cs.RO
Learning Object Relations with Graph Neural Networks for Target-Driven Grasping in Dense Clutter
Univ. of Minnesota（明尼苏达大学）
现实世界中的机器人经常会在密集的混乱中遇到相同的物体。当在这些场景中评估抓取姿势时，目标驱动的抓取系统需要场景对象之间的空间关系的知识（例如，邻近、邻接和遮挡）。为了有效地完成这项任务，我们提出了一个目标驱动的抓取系统，同时考虑对象关系和预测6自由度的把握构成。一个密集杂乱的场景首先制定为一个把握图与节点表示对象的几何形状在把握坐标系和边缘指示对象之间的空间关系。我们设计了一个抓取图神经网络（G2N2），它评估抓取图，并为目标对象找到最可行的6自由度抓取姿势。此外，我们开发了一个形状完成辅助抓取姿势采样方法，提高了样本质量，从而把握效率。我们比较我们的方法对几个基线在模拟和真实的设置。在对新物体的真实实验中，我们的方法在密集杂乱的场景中实现了77.78%的抓取准确率，超过了最佳基线15%以上。补充材料可在https://sites.google.com/umn.edu/graph-grasping上查阅。
2022-03-02 cs.RO
A bistable soft gripper with mechanically embedded sensing and actuation for fast closed-loop grasping
BioRobotics Institute, Scuola Superiore Sant’Anna（圣安娜高等研究院生物机器人研究所）
软机器人夹具被证明是高效率的抓持非结构化的物体与简单的传感和控制策略。然而，它们仍然受到其速度、感测能力和致动机制的限制。因此，他们的使用已被限制在高度动态的抓取任务。本文提出了一种可调阻尼特性的柔性机器人手爪，用于无传感器动态抓取。该机制允许我们在软系统中存储任意大的应变能，然后在接触时释放。该机构还提供了致动机构类型的灵活性，因为抓取和感测阶段是完全被动的。背后的机制的理论背景与有限元分析提供深入了解设计参数。最后，我们通过实验证明了无传感器动态抓取一个未知的物体在0.02秒内，包括感测和致动的时间。
2019-02-13 cs.RO
Learning Postural Synergies for Categorical Grasping through Shape Space Registration
University of Bonn（波恩大学）；Scuola Superiore Sant’Anna（圣安娜高等研究院）
每当一个人遇到一个熟悉程度一定的物体时，他/她立即知道如何抓住它。根据物体的几何形状来适应手的运动毫不费力地发生，因为以前抓住类似物体的经验积累了知识。在本文中，我们提出了一种新的方法推断掌握配置的基础上的对象的形状。抓取知识被收集在机器人手的协同空间中，该机器人手通过遵循人类抓取分类法而构建。协同空间是通过采用提供力反馈的外骨骼的人体演示来构建的，这提供了评估抓握质量的优点。形状描述符是通过一个分类的非刚性注册，编码典型的类内变化。这种方法特别适用于只有一部分物体表面是可观察的在线场景。这种方法是通过模拟和真实的机器人实验证明，由机器人从未见过的物体抓。
2018-10-18 cs.RO
Towards Generalization and Data Efficient Learning of Deep Robotic Grasping
Beihang University（北京航空航天大学）
深度强化学习（Deep Reinforcement Learning，DRL）已被证明是自主学习复杂控制策略的强大范例。DRL在机器人抓取中的许多最近的应用已经成功地训练了DRL机器人代理端到端，将视觉输入直接映射到控制指令，但是所需的训练数据的量可能会阻碍这些应用在实践中。在本文中，我们提出了一个基于DRL的机器人视觉抓取框架，其中视觉感知和控制策略是分开训练的，而不是端到端的。视觉感知产生抓取对象的物理描述，策略利用它们来基于DRL决定最佳动作。受益于对象的显式表示，该策略有望被赋予更多的泛化能力，对新的对象和环境。此外，该策略可以在仿真中进行训练，并在实际机器人系统中传输，而无需任何进一步的训练。我们评估我们的框架在现实世界中的机器人系统上的一些机器人抓取任务，如语义抓取，集群对象抓取，移动对象抓取。结果表明，令人印象深刻的鲁棒性和推广我们的系统。
2020-07-02 cs.RO
Aerial Grasping: Modeling and Control of a Flying Hand
University of Twente（特文特大学）
在本文中，我们提出的设计，仿真和实验验证的控制架构的飞手，即，由无人机、机械手和抓取器组成的系统，抓取固定在垂直墙上的物体。这项工作的目标是表明，整体控制允许飞手接近墙壁，通过夹持器停靠在物体上，拿起物体并飞走。该控制策略已在仿真模型和完整的飞手系统实验中得到了实施和验证。
2017-05-31 cs.RO
Efficient learning of goal-oriented push-grasping synergy in clutter
Zhejiang University（浙江大学）
我们专注于目标导向的抓取任务，其中一个机器人应该抓住一个预先分配的目标对象的混乱，需要一些预抓动作，如推动，使稳定的把握。然而，在这个任务中，机器人只有在成功抓住目标物体时才能从环境中获得积极的奖励。此外，关节推和抓延长了动作序列，加剧了奖励延迟的问题。因此，样本效率低下仍然是这项任务的主要挑战。本文提出了一种具有高样本效率的目标条件分层强化学习方法，用于学习在杂乱环境中抓取特定目标的推抓取策略。在我们的工作中，样本效率提高了两种手段。首先，我们使用一个目标条件的机制，目标重新标记，以丰富重放缓冲区。其次，将推策略和抓取策略分别作为生成器和学习器，在抓取学习器的监督下训练推策略，从而增加推策略的奖励。针对两种策略训练设置不同导致的分布不匹配问题，增加了一个交替训练阶段，依次学习推和抓。仿真和真实环境下的实验表明，该方法能够快速学习有效的推取策略，在任务完成率和目标抓取成功率方面均优于现有方法，且运动次数较少.此外，我们验证了我们的系统也可以适应目标不可知的条件下，更好的性能。请注意，我们的系统可以在不进行任何微调的情况下转移到现实世界。我们的代码可在https://github.com/xukechun/Efficient_goal-oriented_push-grasping_synergy上获得。
2021-06-23 cs.RO
Loop closure grasping: Topological transformations enable strong, gentle, and versatile grasps
Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系）；Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系）
环闭合抓取通过拓扑变换实现强、柔、多功能的抓取，适用于复杂物体和环境。
2025-05-19 cs.RO
The Hydra Hand: A Mode-Switching Underactuated Gripper with Precision and Power Grasping Modes
Imperial College London（帝国理工学院）
本文提出四指双执行器欠驱动夹爪Hydra Hand，用单电机切换强力与精确抓取模式、单液压执行器实现自适应抓取，并在刚性物和衣物基准及葡萄操作任务中验证其多功能性。
2023-09-26 cs.RO
Robust Object Manipulation for Tactile-based Blind Grasping
The University of Melbourne（墨尔本大学）；St. Vincent’s Hospital（圣文森特医院）
基于触觉的盲抓取解决了现实的机器人抓取，其中手只能访问本体感受和触觉传感器。机器人手没有物体/抓取属性的先验知识，例如物体重量、惯性和形状。不存在严格保证在这样的设置中的对象操纵的操纵控制器。在这里，提出了一种鲁棒控制律的对象操作基于手势的盲抓。该分析确保了半全局渐近和指数稳定的存在模型的不确定性和外部干扰，被忽略在相关的工作。仿真和实验结果验证了该方法的有效性。
2019-02-07 cs.RO
Grasping Unknown Objects in Clutter by Superquadric Representation
Idaho State University（爱达荷州立大学）
提出了一种快速有效的杂波背景下未知目标的提取方法。抓取方法依赖于实时超二次曲面（SQ）表示的部分视图对象和不完整的对象建模，非常适合于未知的对称对象在混乱的情况下，其次是优化的对映抓取。通过镜像算法处理不完整的对象模型，该算法假设对称性，以首先创建近似的完整模型，然后适合SQ表示。抓取算法的目的是最大的力平衡和稳定性，利用快速检索的尺寸和表面曲率信息的SQ参数。计算SQs相对于重力方向的姿态，并与SQs的参数和夹持器的规格一起使用，以选择最佳的接近方向和接触点。SQ拟合方法已在包含孤立对象和杂波对象的自定义数据集上进行了测试。在PR2机器人上对抓取算法进行了评价，并给出了实时的结果。初步结果表明，虽然该方法是基于简单的形状信息，它优于其他基于学习的抓取算法，也工作在杂波方面的时间效率和准确性。
2017-10-05 cs.RO
Learning Generalizable Vision-Tactile Robotic Grasping Strategy for Deformable Objects via Transformer
Georgia Institute of Technology（佐治亚理工学院）；Purdue University（普渡大学）
针对可变形物体抓取难题，提出融合视觉与触觉的 Transformer 框架，通过探索动作预测安全抓取力度，并在公开与自建水果数据集上验证其准确率、效率及泛化能力。
2023-07-23 cs.RO
Integrated Grasping Controller Leveraging Optical Proximity Sensors for Simultaneous Contact, Impact Reduction, and Force Control
Kyushu University（九州大学）；Kanazawa University（金泽大学）
本文提出一种集成抓取控制器，基于多重阻抗控制和虚拟动力学思想，利用光学接近传感器同时实现手指同时接触、冲击抑制和接触力控制，从而有效抓取未知物体。
2024-07-08 cs.RO
Pyramid-Monozone Synergistic Grasping Policy in Dense Clutter
Japan Advanced Institute of Science and Technology（日本北陆先端科学技术大学院大学）
针对密集杂乱场景中的遮挡问题，提出金字塔-单区协同抓取策略PMSGP，通过金字塔排序和顶层单区采样实现逐层抓取，在真实世界实验中取得84.9%的抓取成功率，显著优于现有方法。
2024-10-18 cs.RO
MANGO-Grasp: Mahalanobis Fields over Geometry-Oriented 3D Gaussians for Cross-Embodiment Dexterous Grasping
College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；National University of Singapore（新加坡国立大学）
MANGO-Grasp是面向几何的三维高斯模型上的马氏场框架，用于跨异构多指手的灵巧抓取，在仿真、零样本迁移及真实实验中均优于现有基准。
2026-10-19 cs.AI cs.RO
