该研究提出了SEMPose网络，旨在解决多对象场景中RGB图像的六自由度姿势估计问题，尤其是物体大小变化和遮挡带来的挑战。实验结果表明，SEMPose能够在高帧率下实时且准确地估计多个物体的姿势，优于现有方法。

本文介绍了一种名为HACMan的强化学习方法，旨在实现六自由度物体的高效操作。该方法通过层次化强化学习成功完成98%的实验任务，并提出了基于大型语言模型的混合控制方法及用于复杂动态操作任务的学习框架，展示了在多种实际操作中的优越性能。

本文介绍了一种基于深度学习的六自由度抓取方法，能够在杂乱场景中有效识别和抓取物体。该方法成功率超过90%，并通过自我监督学习和增强现实技术提高抓取效率。Sim-Grasp系统结合语言模型和点云数据，实现了97.14%的单一物体抓取率，推动了智能机器人技术的发展。

本文介绍了多种基于神经网络的六自由度抓取方法，利用深度学习和点云数据提高抓取成功率。研究表明，新的抓取表示法和碰撞检查模块能有效处理杂乱场景，成功率可达93%。这些方法在机器人抓取任务中显著提升了性能。

该研究提出了一种基于自监督学习和SE(3)等变点云网络的物体位姿估计方法，能够在没有真值注释的情况下，从单个3D点云中进行六自由度估计，并在多个基准测试中验证了其有效性。

该研究提出了一种基于自监督学习框架和SE(3)等变点云网络的类别级别物体位姿估计方法，可在没有真值姿态注释、CAD模型和多视图监督的情况下，从单独的3D点云中进行类别级别的六自由度物体位姿估计，并在多个基准测试上验证了该方法的有效性。