PHANTOM Hand
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
PHANTOM手通过结合精确分析形状与鲁棒合规抓取，实现自由运动规划的亚度精度和连续可预测力输出，提升欠驱动手的负载与灵活性。
2026-03-24 cs.RO
Self-Motions of General 3-RPR Planar Parallel Robots
Institut National des Sciences Appliquées (INSA)（国立应用科学学院）；École de Technologie Supérieure (ÉTS)（高等技术学院）；Institut de Recherche en Communications et Cybernétique de Nantes（南特通信与控制研究所）
本文研究了一般3-RPR平面驱动基铰并联机器人的运动几何学。这些机器人，虽然在很大程度上被忽视，但具有简单的正向运动学和大的无奇异工作空间。此外，他们的运动几何是相同的，新开发的并联机器人与SCARA型运动。从3-RPR平面并联机器人的正、逆运动学模型出发，确定了其奇异轨迹的表达式。然后，通过研究直接运动学模型的退化性，用几何方法描述了在所有奇点处的全局行为。特殊情况下的自我运动，然后检查和在这种特殊的配置获得的自由度的运动学解释。最后，一个实际的例子进行了讨论，并在一个实际的机器人原型进行实验验证。
2008-08-08 cs.RO
Degeneracy study of the forward kinematics of planar 3-RPR parallel manipulators
研究了平面3-RPR并联机器人正运动学退化的两种情况。这些情况以前没有处理过。当三个输入关节变量r1、r2和r3满足一定关系时，出现第一退化。这种简并性产生t中特征多项式的二重根，这可能被错误地解释为两种聚结组装模式。但是，与非退化情况不同的是，这个二重根产生平台位置坐标（x，y）的两组解。在第二种情况下，我们表明，正运动学退化在整个关节空间，如果基地和平台三角形是全等的和平台三角形旋转180度左右的一个方面。对于这些“退化”的机械手，这是第一次定义，正运动学减少到解决一个三次多项式和二次方程的顺序。这样的机械手构成，反过来，一个新的家庭的分析平面机械手，将更适合于工业应用。
2007-07-15 cs.RO
Aerial Grasping via Maximizing Delta-Arm Workspace Utilization
School of Intelligent Systems Engineering, Sun Yat-sen University（智能系统工程学院，中山大学）；Shenzhen ePropulsion Technology Limited（深圳ePropulsion科技有限公司）
本研究针对空中抓取任务，提出最大化delta臂工作空间利用率的规划框架，用MLP映射位置可行概率、RevNet近似正运动学以处理非凸约束，经仿真与实实验证了方法有效性。
2025-07-30 cs.RO
Depth by Poking: Learning to Estimate Depth from Self-Supervised Grasping
Osaro Inc.（奥萨罗公司）
精确的深度估计仍然是机器人操作的一个悬而未决的问题;即使是最先进的技术，包括结构光和激光雷达传感器在反射或透明表面上也会失败。我们通过训练一个神经网络模型来解决这个问题，该模型使用机器人与其环境之间物理交互的标签来估计RGB-D图像的深度。对于输入图像中的每个像素，我们的网络预测机器人的末端执行器在试图抓住或戳相应位置时将到达的z位置。给定一个自主抓取策略，我们的方法是自我监督的末端执行器位置标签可以通过正运动学恢复，没有人的注释。虽然收集这样的物理交互数据是昂贵的，但对于现有技术的操纵系统的训练和常规操作是必要的。因此，这个深度估计器在为其他任务收集数据时是“免费的”（例如，抓、推、放）。我们表明，我们的方法在困难的行业规模杂乱的bin数据集上实现了比传统结构光传感器和无监督深度学习方法更低的均方根误差。
2020-06-16 cs.CV cs.LG cs.RO
Neural Motion Fields: Encoding Grasp Trajectories as Implicit Value Functions
NVIDIA（英伟达）；University of Toronto（多伦多大学）；University of Washington（华盛顿大学）
当前机器人拾取和放置方法的流水线通常由几个阶段组成：抓取姿势检测，为检测到的姿势找到逆运动学解，规划无碰撞轨迹，然后用低级跟踪控制器执行到抓取姿势的开环轨迹。虽然这些抓取方法在抓取桌面上的静态物体时表现出良好的性能，但在受限环境中抓取动态物体的问题仍然是一个悬而未决的问题。我们提出了神经运动场，一种新的对象表示编码的对象点云和相对的任务轨迹作为一个隐式的价值函数参数化的神经网络。这种以对象为中心的表示对SE（3）空间上的连续分布进行建模，并允许我们通过利用基于采样的MPC来优化该价值函数，从而被动地执行抓取。
2022-06-29 cs.CV cs.RO
The Quadruped Soft Tail: Compliant Grasping and Swabbing for Contamination Surveys in Harsh Environments
Mechatronics, Robotics and Operation Section, European Organization for Nuclear Research (CERN)（欧洲核子研究中心（CERN）机电一体化、机器人与操作部门）；Department of Engineering Cybernetics, Norwegian University of Science and Technology (NTNU)（挪威科技大学（NTNU）工程控制论系）
提出一种安装在四足机器人上的轻量、柔软、肌腱驱动的尾巴，通过空心柔性骨架和软体夹爪实现污染拭子的抓取、擦拭和回收，结合运动学模型和任务空间控制器实现遥操作，验证了抓取对形状影响小且共模驱动可调节刚度。
2026-07-02 cs.RO
Semi-Peaucellier Linkage and Differential Mechanism for Linear Pinching and Self-Adaptive Grasping
Shenzhen Technology University（深圳技术大学）；X-Institute；Tsinghua University（清华大学）
该研究提出 SP-Diff 平行夹爪，利用半波塞利耶/差动连杆与行星齿轮实现线性平行捏取、独立调姿和自适应抓取，并降低 30% 的 Z 轴重校准需求。
2025-10-18 cs.RO
From Transportation to Manipulation: Enabling Grasping in Magnetic Robotics
Bielefeld University（比勒费尔德大学）；Fraunhofer IOSB-INA（弗劳恩霍夫IOSB-INA研究所）
本文提出Gripper MagBot，一种低成本并联6自由度磁悬浮机械臂，集成1自由度夹爪，实现磁悬浮系统上的直接抓取与操控，支持两种配置，并通过仿真和实物验证了拾取放置能力。
2026-09-14 cs.RO
SECOND-Grasp: Semantic Contact-guided Dexterous Grasping
Korea University（韩国大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Michigan（密歇根大学）；Hanyang University（翰阳大学）
本文提出SEmantic CONtact-guided Dexterous Grasping框架，通过语义推理与物理可行性结合，提升机器人手部抓取的稳定性和语义理解能力。
2026-05-13 cs.AI cs.RO
T(R,O) Grasp: Efficient Graph Diffusion of Robot-Object Spatial Transformation for Cross-Embodiment Dexterous Grasping
Department of Computer Science, National University of Singapore（新加坡国立大学计算机科学系）；RoboScience；College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）
本文提出T(R,O) Grasp，一种基于图扩散的框架，通过统一表示机器人手与物体空间变换，实现跨具身高效灵巧抓取，成功率94.83%，推理速度0.21秒，支持闭环操作。
2025-10-14 cs.RO
Exploiting Kinematic Redundancy for Robotic Grasping of Multiple Objects
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
在日常生活中，人类协调手的丰富的自由度（DoF）以灵巧地执行任务。我们模仿人类的策略，以提高多自由度机器人手的灵活性。具体来说，我们使机器人手抓住多个对象，利用其运动冗余，指的是其所有的可控自由度。我们提出了一个类似人类的把握合成算法生成把握使用成对接触的任意相对的手表面区域，不再局限于指尖或手内表面。为了模拟手的可用空间进行抓取，我们构建了一个可达性图，包括所有手指指骨和手掌的可达空间。它指导约束优化问题的制定，解决可行和稳定的把握。我们制定了一个迭代的过程，使机器人的手抓住多个物体的顺序。此外，我们提出了一个运动效率的度量和相关的策略，以促进利用运动冗余。我们通过使用各种手表面区域生成单个和多个对象的抓握来验证我们的方法。这样的抓握可以在真正的机器人手上成功地复制。
2023-03-30 cs.RO cs.SY eess.SY
HERO: Learning Humanoid End-Effector Control for Visual Whole-Body Open-Vocabulary Object Grasping
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
该研究提出HERO方法，通过结合大视觉模型和模拟训练，实现了视觉全身体对象抓取任务中末端执行器的高精度控制和场景理解，显著提升了抓取精度和泛化能力。
2026-10-15 cs.CV cs.RO
The Isoconditioning Loci of Planar Three-DOF Parallel Manipulators
Institut de Recherche en Communications et Cybernétique de Nantes（南特通信与控制研究所）；McGill University（麦吉尔大学）
本文的研究对象是一类特殊的并联机器人。首先，我们分析了一个家庭的三个自由度的机械手。在关节速率矢量和笛卡尔速度矢量之间的运动学关系中出现了两个雅可比矩阵，称为“逆运动学“和“正运动学”矩阵。这些矩阵的奇异配置进行了研究。然后研究了各向同性配置的基础上的特征长度的这个机器人。计算所有雅可比矩阵的等条件轨迹，以定义一个全局性能指标来比较不同的工作模式。
2007-05-09 cs.RO
A Rapid Deployment Pipeline for Autonomous Humanoid Grasping Based on Foundation Models
School of Future Technology, Shanghai University（未来技术学院，上海大学）；School of Mechanical Engineering, Shanghai Institute of Technology（机械工程学院，上海理工大学）
本文提出一种端到端的快速部署管道，利用基础模型组件将新物体的上boarding周期缩短至约30分钟，包括自动标注、3D重建和零样本6自由度姿态跟踪。
2026-04-19 cs.RO
A Classification of Configuration Spaces of Planar Robot Arms with Application to a Continuous Inverse Kinematics Problem
University of Pennsylvania（宾夕法尼亚大学）
利用多边形的模空间拓扑的结果[Jaggi，92; Kapovich和Millson，94]，可以表明，对于具有$n$段的平面机器人臂，存在一些基本长度值$z$，在这些值处，约束臂的配置空间在其他值处，受约束的配置空间（其末端执行器固定的臂）具有两个断开的分量，而在其他值处，受约束的配置空间具有一个连接分量。我们首先回顾这些已知的结果。然后，本文解决的主要设计问题是对任意机器人手臂的连续逆运动学的建设，与属性，这两个逆运动学同意时，约束配置空间有一个单一的连接组件，但他们给不同的配置（一个在每个连接组件）时，约束臂的配置空间有两个组件。这种设计是可能的基本理论贡献在本文中-机器人手臂的配置空间的分类，这样的路径的类型，系统（机器人手臂）通过某些临界值的正向运动学函数是完全确定的类的配置空间的手臂所属。该分类结果使得上述设计问题易于处理，使得足以为每类位形空间（总共三个）设计一对逆运动学。我们讨论了这项工作的动机，这来自一个更广泛的问题，运动规划的机器人手臂的末端执行器，需要我们不断采样的配置从每个连接组件的约束配置空间。我们通过一个基于JavaScript + HTML5的实现证明了所提出的算法的低复杂性，该实现可在http://hans.math.upenn.edu/~subhrabh/nowiki/robot_arm_JS-HTML5/arm.html上获得
2014-08-29 cs.RO math.DG
Contact-based Grasp Control and Inverse Kinematics for a Five-fingered Robotic Hand
Department of Computer Science（计算机科学系）；The University of Alabama（阿拉巴马大学）
本文提出一种结合接触控制与逆运动学的五指机器人抓取方法，在PyBullet中基于DexHand v2实现力闭合验证的稳定抓取，实验表明其具有高运动效率与位置精度，并指出拇指对掌控制仍需改进。
2025-04-25 cs.RO
PokeRRT: Poking as a Skill and Failure Recovery Tactic for Planar Non-Prehensile Manipulation
University of Colorado Boulder（科罗拉多大学博尔德分校）
提出 PokeRRT 运动规划算法，将戳刺作为一种非抓持操作技能及失败恢复策略，与抓取放置协同提升操作弹性，实验证明其在杂乱环境中规划轨迹高效，且在成功率和任务时间上优于推挤与抓取。
2024-06-04 cs.RO
Dexterous grasp data augmentation based on grasp synthesis with fingertip workspace cloud and contact-aware sampling
The Department of Mechano-Informatics, Graduate School of Information Science and Technology, The University of Tokyo（机械信息学系，信息科学与技术研究生院，东京大学）
本文提出基于远程操作的框架，通过FSG生成抓取姿态数据，结合AutoWS自动生成指尖工作空间云，提升抓取数据生成效率与鲁棒性。
2026-03-17 cs.RO
Learning to Use Chopsticks in Diverse Gripping Styles
Simon Fraser University（西蒙弗雷泽大学）；Peking University（北京大学）
学习灵巧的操作技能是计算机图形学和机器人技术中的一个长期挑战，特别是当任务涉及手，工具和物体之间复杂而微妙的相互作用时。在本文中，我们专注于基于筷子的对象重新定位任务，这是常见的，但要求。成功的筷子技巧的关键是稳定的筷子，也支持微妙的演习。我们通过贝叶斯优化（BO）和深度强化学习（DRL）自动发现物理上有效的筷子握持姿势，该方法适用于多种握持风格和手部形态，而无需示例数据。鉴于输入的发现抓取姿势和所需的对象被移动，我们建立基于物理的手控制器，完成搬迁任务，在两个阶段。首先，在运动规划阶段合成筷子和手的运动轨迹。我们的运动规划器的关键组成部分包括一个抓取模型，以选择合适的筷子配置抓物体，和一个轨迹优化模块，以产生无碰撞筷子轨迹。然后，我们训练物理为基础的手控制器通过DRL再次跟踪所需的运动轨迹产生的运动规划。我们展示了我们的框架的能力，通过重新定位各种形状和大小的对象，在不同的抓握风格和持有的立场，为多种手形态。我们的系统实现了更快的学习速度和更好的控制鲁棒性相比，香草系统，试图学习筷子为基础的技能，没有一个抓握姿势优化模块和/或没有一个运动学运动规划。
2022-07-30 cs.GR cs.RO
A Fast Stochastic Contact Model for Planar Pushing and Grasping: Theory and Experimental Validation
Carnegie Mellon University（卡内基梅隆大学）
基于准静态滑动的凸力-运动多项式模型，推导了位置控制机械手在支撑面上的运动学接触模型，用于确定接触模式和物体的瞬时运动。固有的随机对象表面摩擦分布的建模从适当的分布采样物理上一致的参数，只有一个参数来控制噪声量。由于凸多项式模型的高保真度和光滑度，贴片接触的力学被捕获，同时计算效率高，无需在支撑点处进行模式选择。给出了单摩擦接触和多摩擦接触的运动方程。基于该模型的仿真通过机器人的推取实验进行了验证。
2017-05-30 cs.RO
Morphology-Specific Closed-Loop Control of Logarithmic-Spiral Continuum Arms via Online Jacobian Error Compensation
提出首个针对对数螺旋连续体臂的形态特异性闭环任务空间控制框架，通过分段腱驱动模型和在线雅可比误差补偿实现精确鲁棒控制，在轨迹跟踪、姿态调节等任务中优于分段常曲率基线方法。
2026-06-26 cs.RO physics.app-ph
Kinematically-Decoupled Impedance Control for Fast Object Visual Servoing and Grasping on Quadruped Manipulators
Istituto Italiano di Tecnologia (IIT)（意大利技术研究院）；Università di Genova（热那亚大学）
本文提出一种结合运动学解耦与阻抗控制的SAG控制流程，集成IBVS，在140 kg HyQReal四足机械臂上实现了动态运动、抗干扰和快速目标跟踪抓取。
2023-07-10 cs.CV cs.RO cs.SY
Kinematic analysis of the 3-RPR parallel manipulator
本文研究了一种3-RPR平面并联机器人的运动学问题。描述了机器人的正逆运动学问题和奇异位形。在并联奇异位形上，移动平台产生的运动可与平行直线机构进行比较。
2007-08-29 cs.RO
Motion Planning for a Climbing Robot with Stochastic Grasps
Stanford University（斯坦福大学）
多肢攀爬机器人的运动规划必须考虑机器人的姿态、关节力矩以及它如何利用接触力与环境相互作用。这篇论文的重点是机器人的运动规划，该机器人使用非传统的运动来探索不可预测的环境，如火星洞穴。我们的机器人概念，ReachBot，使用可伸缩的吊杆作为四肢，在攀爬时实现大的可达工作空间。每个可延伸的吊杆都有一个微棘夹持器，用于抓取岩石表面。ReachBot利用其庞大的工作空间绕过障碍物，越过裂缝，并通过具有挑战性的地形。我们的规划方法必须是多功能的，以适应可变的地形特征和强大的，以减轻风险的随机性与脊柱抓。在本文中，我们引入了一个图遍历算法来选择一个离散的顺序的基础上，现有的地形特征适合把握把握。该离散计划由解耦运动规划器补充，该运动规划器考虑身体运动和末端执行器运动的交替阶段，使用基于采样的规划和顺序凸规划的组合来优化各个阶段。我们使用我们的运动规划器来规划一个模拟的2D洞穴环境中的轨迹，成功的概率至少为95%，并在基线轨迹上表现出更好的鲁棒性。最后，我们通过实验验证我们的运动规划算法在二维平面原型。
2022-09-21 cs.RO
Robotically adjustable kinematics in a wrist-driven orthosis eases grasping across tasks
University of California, Berkeley（加利福尼亚大学伯克利分校）
针对C5-7脊髓损伤患者使用腕驱动抓握矫形器时的腕部约束问题，研究引入连续机器人电机辅助调节腕部姿势，证明其可降低任务难度并提升跨姿势易用性。
2024-07-22 cs.RO
Adaptive Inverse Kinematics Framework for Learning Variable-Length Tool Manipulation in Robotics
M.S. in Data Science, Clarkson University, USA（数据科学硕士，克兰顿大学，美国）；Mathematics, Clarkson University, USA（数学，克兰顿大学，美国）
传统的机器人对其运动学的理解有限，并且仅限于预先编程的任务，这阻碍了它们有效利用工具的能力。由工具使用的基本组成部分驱动-掌握所需的结果，选择最合适的工具，确定最佳的工具方向，并执行精确的操作-我们引入了一个开创性的框架。我们的新方法扩展了机器人的逆运动学求解器的能力，使其能够使用不同长度的工具来获得连续的动作。通过将模拟学习的动作轨迹与该工具相结合，我们展示了通过综合实验将获得的技能从模拟转移到现实世界场景的实用性。值得注意的是，我们的扩展逆运动学求解器演示了一个令人印象深刻的出错率小于1厘米。此外，我们的训练策略在模拟中实现了8 cm的平均误差。值得注意的是，我们的模型在使用两种不同长度的不同工具时实现了几乎无法区分的性能。这项研究表明，在探索工具使用的所有四个基本方面可能会取得进展，使机器人能够在不同的任务中掌握复杂的工具操作艺术。
2025-10-30 cs.AI cs.LG cs.RO
A Novel Planning Framework for Complex Flipping Manipulation of Multiple Mobile Manipulators
Shanghai Jiao Tong University（上海交通大学）；Hong Kong University of Science and Technology（香港科技大学）；Great Bay University（大湾区大学）
针对多移动机械臂在闭链约束下的构型不连通问题，提出将轨迹覆盖选择建模为集合覆盖的三步规划框架，以判断无重抓可行性或最小化重抓次数。
2024-10-25 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
MVB-Grasp: Minimum-Volume-Box Filtering of Diffusion-based Grasps for Frontal Manipulation
Unitree（单位树）；Intel（英特尔）
本文提出MVB-Grasp方法，通过引入最小体积包围盒几何先验，提升低成本机械臂在受限工作空间中的正前方抓取成功率，结合几何过滤与重评分函数，验证了其在Z1机械臂上的有效性。
2026-05-10 cs.RO
A Novel Approach to Grasping Control of Soft Robotic Grippers based on Digital Twin
School of Advanced Technology Xi’an Jiaotong-Liverpool University（西交利物浦大学先进技术学院）
本文提出一种基于数字孪生的软体机器人抓手实时控制框架，结合计算机视觉、四段常曲率运动学建模及OpenCV图像处理，实现驱动压力与抓手参数的映射，实验表明该方法能满足工业应用需求。
2024-10-19 cs.RO cs.SY eess.SY
MineRobot: An Actuator-Centered Kinematic Modeling and Solving Framework for Underground Mining Robots
College of Computer Science and Engineering, Shandong University of Science and Technology（山东科技大学计算机科学与工程学院）；Shandong Lionking Software Co., Ltd.（山东狮王软件有限公司）；College of Intelligent Equipment, Shandong University of Science and Technology（山东科技大学智能装备学院）
本文提出MineRobot框架，通过MRDF格式和拓扑处理流程，解决地下采矿机器人闭环运动学建模与实时求解问题，采用独立拓扑等价路径实现正逆运动学高效计算。
2026-07-02 cs.GR cs.RO
Towards a Multi-Embodied Grasping Agent
Bosch Corporate Research（博世企业研究）；Autonomous Learning Robots Lab（自主学习机器人实验室）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出一种高效、基于流的 equivariant grasping 架构，能够处理不同自由度的抓取器，通过抓取器和场景几何信息推导出底层运动学模型，提升学习效率和性能。
2026-04-15 cs.RO
Modeling, Vibration Control, and Trajectory Tracking of a Kinematically Constrained Planar Hybrid Cable-Driven Parallel Robot
University of Waterloo（滑铁卢大学）
本文提出了一种运动学约束平面混合缆驱动并联机器人（HCDPR）的仓储应用以及其他潜在的应用，如康复。建议HCDPR可以利用串行和电缆驱动的并联机器人的优势和好处。基于此机器人平台，在本文中的目标是开发一个集成的控制系统，以减少振动，提高轨迹精度和性能的HCDPR，包括推导运动学和动力学方程，提出解决方案的冗余分辨率和刚度优化，并开发两个运动和振动控制策略（控制器I和II）。最后，通过不同的案例研究来评估控制器的性能，结果表明，控制器II可以更好地实现目标。
2020-12-27 cs.RO cs.SY eess.SY
Decision Making in Joint Push-Grasp Action Space for Large-Scale Object Sorting
Department of Computer Science, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校计算机科学系）
我们提出了一个规划器的大规模（联合国）标记的对象排序任务，它使用两种类型的操作动作：头顶抓和平面推。抓取动作在温和的假设下提供了完整性保证，平面推动是一种同时移动多个物体的加速策略。我们的主要贡献是两方面的：（1）我们提出了一个双层规划算法。我们的高级计划者基于成本模型在推动和抓取动作之间做出有效的、接近最优的选择。我们的低级规划器计算一步贪婪的推或抓动作。(2)我们提出了一种新的低层次的推动计划，可以找到一步贪婪推动行动在半离散搜索空间。搜索空间的结构，使我们能够有效的我们表明，排序到$200$对象，我们的计划可以找到接近最佳的行动与$10$秒的计算在台式机上。
2020-10-20 cs.RO
Learning a visuomotor controller for real world robotic grasping using simulated depth images
Northeastern University（东北大学）；Boston University（波士顿大学）
我们希望建造在非结构化现实世界应用中有用的机器人，例如在家庭中工作。特别是抓握是这一领域的一项重要技能，但它仍然是一个挑战。关键障碍之一是处理被抓取物体的意外变化或运动以及机器人中的运动噪声或其他错误。本文提出了一种方法来学习一个闭环控制器的机器人抓持，动态引导夹持器的对象。我们使用一个手腕上安装的传感器来获取深度图像在前面的抓地力和训练的卷积神经网络学习的距离函数，以真正掌握配置的图像。训练传感器数据是在模拟中生成的，这是以前使用真实机器人经验的工作的一个主要优势，因为获得真实机器人经验的成本很高。尽管在模拟中进行了训练，但我们的方法在真实的噪声传感器图像上效果良好。我们比较我们的控制器在模拟和真实的机器人实验中的一个强大的基线把握姿势检测，并发现我们的方法显着优于基线的运动噪声，感知误差和干扰的对象在把握过程中的存在。
2017-11-17 cs.AI cs.RO
Introducing Environmental Constraints to Grasping Strategies for Paper-Like Flexible Materials Using a Soft Gripper
College of Mechanical and Electrical Engineering, Nanjing University（南京大学机械与电子工程学院）；Jiangsu Key Laboratory of Bionic Materials and Equipment, Nanjing University of Aeronautics and Astronautics（江苏生物材料与设备重点实验室，南京航空航天大学）
本文研究了使用通用软夹具抓取纸张类柔性材料的策略，通过环境约束分析其机械和运动模型，并设计评估系统验证材料和工况对抓取的影响。
2026-05-12 cs.RO
Grasp Multiple Objects with One Hand
Beijing Institute for General Artificial Intelligence（北京通用人工智能研究院）；Tsinghua University（清华大学）；Peking University（北京大学）
本文提出MultiGrasp，一种两阶段方法，利用灵巧多指手在桌面上实现多物体抓取，双物体抓取成功率达44.13%，并展示了抓取更多物体的潜力。
2024-03-14 cs.CV cs.RO
Design and Kinematic Optimization of a Novel Underactuated Robotic Hand Exoskeleton
Scuola Superiore Sant’Anna（圣安娜高等研究院）
本研究提出了一种新型的，欠驱动的，基于连杆的机器人手外骨骼的设计和运动学优化，以帮助用户执行抓取任务。该器械设计为在手指屈曲/伸展过程中仅向指骨施加法向力，同时为不同尺寸的手指提供自动适应性。因此，确保了与使用者手指的连接的容易性和更好的舒适性。分析了该装置的运动学位姿、静力学和抓取稳定性。这些分析已被用来优化机构的连杆长度，确保满足合理的运动范围，同时最大限度地提高手指关节上的力传递。最后，一个多手指的原型的可用性进行了测试，在不同的物体抓取任务。
2020-05-07 cs.HC cs.RO
ECNNs: Ensemble Learning Methods for Improving Planar Grasp Quality Estimation
Worcester Polytechnic Institute（伍斯特理工学院）
我们提出了一种集成学习方法，结合了多个现有的机器人把握合成算法，并获得了成功率是显着优于个别算法。该方法将抓取算法视为提供抓取“意见”的“专家”。使用混合专家模型（MoE）模型来训练一个嵌入式卷积神经网络（ECNN），该模型集成了这些意见并确定最终的抓取决策。ECNN引入了最小的计算成本开销，并且网络几乎可以像最慢的专家一样快地运行。我们通过采用GQCNN 4.0，GGCNN和GGCNN的自定义变体作为专家，使用文献中的开源算法测试了这种架构，并在Cornell数据集上获得了6%的抓取成功率。该方法的性能也证明了使用弗兰卡Panda手臂。
2021-10-12 cs.RO
Flexbee: A Grasping and Perching UAV Based on Soft Vector-Propulsion Nozzle
School of Astronautics, Harbin Institute of Technology（航天学院，哈尔滨工业大学）
本研究设计了搭载四个软矢量推进喷嘴的Flexbee无人机，集成飞行、抓取、栖息功能，通过动力学建模与分层控制解决力矩耦合问题，实验验证了其运动能力与控制策略的有效性。
2025-10-21 cs.RO
Multi-Object Grasping in the Plane
University of Leeds（利兹大学）；UC Berkeley（加州大学伯克利分校）
我们考虑了一个新的问题，多个刚性凸多边形对象休息在随机放置的位置和方向上的平面上可见从开销相机。目标是使用多物体推抓来有效地抓取所有物体并将其运输到箱子中，其中多个物体被推到一起以促进多物体抓取。我们提供了必要的条件，无摩擦的多对象推抓，并将这些过滤器不允许的把握在一个新的多对象把握规划。我们发现，我们的规划器比Mujoco模拟器基线快19倍。我们还提出了一个采摘算法，使用单和多对象的把握来挑选对象。在物理抓取实验中，我们发现无摩擦多物体抓取系统的抓取成功率提高了13.6%，抓取速度提高了59.9%，从212 PPH提高到340 PPH。有关视频和代码，请参见\url{https://sites.google.com/view/multi-object-grasping}。
2022-09-21 cs.AI cs.RO
Push-MOG: Efficient Pushing to Consolidate Polygonal Objects for Multi-Object Grasping
UC Berkeley（加州大学伯克利分校）；University of Leeds（利兹大学）
提出Push-MOG算法，利用平行夹爪执行叉式推动动作以聚合多边形物体形成可抓取簇，从而实现多物体抓取，在物理清理实验中使每次行程平均抓取物体数提高34%。
2023-06-24 cs.RO
Control and implementation of fluid-driven soft gripper with dynamic uncertainty of object
Amirkabir University of Technology (Tehran Polytechnic)（阿米尔卡比尔理工大学（德黑兰理工学院））
用于稳定抓取物体的具有高顺应性的软夹具可以被认为是替代传统刚性夹具的合适候选者，并且近年来，它们在工业中呈指数增长。这些高度适应性的夹具不仅能够静态抓取物体，而且还可以用于执行物体操作任务。近年来，对柔性夹持器静态抓取能力的研究越来越多。然而，在这篇论文中，平面在手的物体操作在一个软夹持器，其中包括一对软手指进行了研究。
2020-11-21 cs.RO
A novel object slicing based grasp planner for 3D object grasping using underactuated robot gripper
IIT Kharagpur（印度理工学院克勒格布尔分校）
即使在完全已知的环境中，机器人抓取任意物体仍然是一个具有挑战性的问题。大多数以前开发的算法集中在指尖抓取，未能解决问题，即使是完全驱动的手/夹具在自适应/包裹型的把握，其中每个手指与对象在几个点接触。运动学封闭形式的解决方案是不可能的，这样一个铰接的手指，同时达到几个给定的目标点。提出了一种基于物体切片方法的欠驱动机器人手爪最佳抓取计算框架。该方法使用对象切片技术快速找到接触，并使用抓取质量度量从抓取池中找到最佳抓取。为了验证所提出的方法，实施已经做了24个家庭的对象和玩具使用两个手指欠驱动机器人夹持器。与许多其他现有的方法不同，所提出的方法具有以下几个优点：它可以处理具有复杂形状和尺寸的对象;它不需要将对象简化为原始几何形状;最重要的是，它可以应用于使用深度传感器的点云;它考虑到夹具运动学约束，并为自适应/包络和指尖类型的抓握生成可行的抓握。
2019-07-22 cs.CG cs.RO
Human-in-the-loop optimisation: mixed initiative grasping for optimally facilitating post-grasp manipulative actions
University of Birmingham（伯明翰大学）；CNRS at Irisa and Inria Rennes Bretagne Atlantique（法国国家科学研究中心（CNRS）IRISA 与 Inria 雷恩布列塔尼大西洋研究中心）
研究了主从机器人混合主动、共享控制的抓取与操作问题。我们提出了一种新的系统，其中一个自主智能体协助人类在远程操作的从臂/抓手，使用触觉主设备。我们的系统旨在利用人类操作员的专业知识，在选择稳定的把握（仍然是一个开放的研究课题，在自主机器人）。同时，先验知识：i）从机器人运动学，和ii）所需的后把握操纵轨迹，被馈送到一个自主智能体，它将力的线索，以鼓励最大限度地操纵把握姿势选择。具体地，自主智能体在到达抓取阶段期间向人类提供力提示，这鼓励人类选择在抓取后对象操纵阶段期间使操纵能力最大化的抓取姿势。我们引入了一个任务相关的速度可操作性成本函数（TOV），这是用来确定最大的运动能力的机械手在后把握运动，并反馈这作为力线索的人在预把握阶段。我们表明，把握，最大限度地减少TOV的结果显着减少控制工作的机械手，相比其他可行的把握。我们证明了我们的方法的有效性与真实和模拟机器人的实验。
2017-07-25 cs.RO
The Kinematics of Manipulators Built From Closed Planar Mechanisms
McGill University（麦吉尔大学）；INRIA Rocquencourt（法国国家信息与自动化研究所罗克库尔分部）；Centre for Intelligent Machines（智能机器中心）
本文讨论了由平面闭合运动链构成的机械手的运动学问题。一个特殊的运动方案是从这些机制的数组中提取的，看起来最有前途的创建不同类型的机器人操作器。这种机械手的结构特征决定了它的一些原始属性，这些属性基本上简化了它的控制。这些功能允许的主要控制问题，有效地克服了简单的运动学问题的应用。研究了基本平面机器人的工作空间和奇异位形。采用图形仿真的方法，对所设计的机构进行了运动仿真。该机制的原型实现，以验证所提出的方法。
2007-07-12 cs.RO
Grasping for a Purpose: Using Task Goals for Efficient Manipulation Planning
Institute for Robotics and Intelligent Machines（机器人与智能机器研究所）；Georgia Institute of Technology（佐治亚理工学院）
在本文中，我们提出了一种有效的把握选择未知物体的操作任务的方法。即使对于简单的任务，如拾取和放置，一个独特的解决方案是罕见的。相反，必须考虑并（潜在地）测试多个候选抓取，直到找到一个成功的、运动学上可行的路径。为了使这个过程有效，抓取应该被排序，使得那些更有可能成功的抓取首先被测试。我们建议使用掌握可操作性作为一个度量优先掌握。我们目前的模拟实验结果表明，我们的度量的有用性。此外，我们目前的实验与我们的物理机器人执行简单的操作任务与一小部分不同的家用物品。
2016-03-14 cs.RO
Grasping Benchmarks: Normalizing for Object Size \& Approximating Hand Workspaces
Oregon State University（俄勒冈州立大学）
机器人手设计的多样性使得很难为如何测量手的大小和传达它可以抓取的物体的大小设定标准。定义一致的工作空间测量将极大地有助于机器人抓取研究中的科学交流，因为它将允许研究人员1）定量地传达物体与手的相对大小，以及2）以人类可读的方式近似手的运动工作空间的功能子空间。本文的目标是指定一个测量程序，定量捕获的手的工作空间大小的精度和功率把握。该测量过程使用{ \em功能}方法-基于假设对象的通用抓握场景-以便使该过程尽可能具有可推广性和可重复性，而不管实际的手设计如何。该功能方法允许测量者选择满足一般抓取场景的精确手指配置和接触点，同时确保测量具有{ \em功能}可比性。我们证明了这些功能测量七手配置。GitHub Repository中提供了其他手部测量和说明。
2021-06-19 cs.RO
6-DOF Grasping for Target-driven Object Manipulation in Clutter
NVIDIA（英伟达）；The Robotics Institute, CMU（卡内基梅隆大学机器人研究所）；University of Washington（华盛顿大学）
在杂乱的环境中抓取是一项基本但具有挑战性的机器人技能。它既需要推理看不见的物体部分，也需要推理与操纵器的潜在碰撞。大多数现有的数据驱动的方法避免了这个问题，限制自己自上而下的平面把握，这是不够的，许多现实世界的情况下，大大限制了可能的把握。我们提出了一种方法，计划6自由度把握任何所需的对象在一个混乱的场景从部分点云观测。我们的方法实现了80.3%的抓取成功率，比基线方法高出17.6%，并在真实机器人平台上清除了9个杂乱的桌子场景（其中包含23个未知对象和51个拾取）。通过使用我们学习的碰撞检查模块，我们甚至可以推理有效的抓取序列来检索无法立即访问的对象。补充视频可以在https://youtu.be/w0B5S-gCsJk上找到。
2020-05-21 cs.CV 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
D3Grasp: Diverse and Deformable Dexterous Grasping for General Objects
Shanghai Jiao Tong University（上海交通大学）
D3Grasp提出多模态感知引导的强化学习框架，通过统一视觉触觉表示和非对称架构，实现通用及可变形物体的多样稳定灵巧抓取，真实世界成功率95.1%。
2025-09-24 cs.RO
The Fractal Hand-II: Reviving a Classic Mechanism for Contemporary Grasping Challenges
California Institute of Technology（加州理工学院）
本文提出受百年分形虎钳启发的分形机器人夹爪，仅用一个驱动器即可被动适应多样物体，并给出低成本、大工作空间的分形手指设计方法，以应对当代抓取挑战。
2023-09-15 cs.RO
Active Surface-Driven Reconfigurable Gripper: Robust Grasping and Sequential Manipulation of Thin Objects
Zhejiang University（浙江大学）；Torch Kernel Co., Ltd.（炬芯科技股份有限公司）
该研究针对现有机械夹爪抓取薄物体时稳健性不足的问题，提出主动表面驱动的可重构欠驱动夹爪，通过设计、建模、优化及实验验证，实现薄物体的可靠抓取与顺序操作。
2026-08-28 cs.RO
