本研究提出了GraspCorrect模块，通过视觉-语言模型的指导反馈，解决了机器人抓取不稳定的问题。该模块引入了任务特定约束和物体意识采样，显著提升了抓取性能和成功率。

本研究提出FreeGrasp方法，利用视觉-语言模型理解人类指令与物体关系，有效解决机器人抓取问题。实验结果显示该方法在零样本设置下表现优异，具备应用潜力。

本研究提出了一种基于自编码器的点云修补算法，旨在解决机器人在抓取部分遮挡物体时的抓取点计算不准确问题。该算法能够重建缺失信息，提高抓取系统在真实环境中的效率，减少被丢弃的物体数量。

本研究提出了NeuGrasp方法，旨在解决透明和反射物体场景中机器人抓取的挑战。该方法结合背景先验和变换器，提升了在稀疏视角下的表面重建能力。实验结果表明，NeuGrasp的抓取性能优于现有方法，同时重建质量相似。

本文介绍了多种基于深度学习的机器人抓取方法，重点在透明物体的抓取技术。研究提出了新的抓取策略和网络模型，结合RGB图像和点云数据，提高了抓取成功率，并在多个数据集上验证了其有效性。通过动态场景重建和高效的物体姿态估计，显著提升了机器人在复杂环境中的抓取能力。

在「新锐论前沿」活动中，江佳齐博士将介绍新型灵巧视触觉传感器的设计及其在透明物体感知中的挑战，探讨其在机器人抓取中的应用潜力。

本研究提出了VMGNet模型，旨在解决深度学习机器人抓取技术的高计算复杂度问题。该模型通过引入视觉状态空间，实现线性计算复杂度，并通过多尺度特征融合提升准确性。实验结果表明，抓取成功率达到94.4%。

本文介绍了基于深度学习的人体抓握模型和机器人抓取技术的进展，包括TF-Grasp、HandNeRF和FuncGrasp等方法。这些模型结合了3D几何和2D语义特征，提高了抓握的成功率和准确性，并在复杂场景中展示了有效性和鲁棒性。

本文探讨了合成数据和领域自适应在机器人灵巧抓取中的应用，介绍了DexGraspNet和Sim-Suction等新方法和数据集，显著提高了抓取成功率和多样性。同时，研究提出了基于扩散的抓取生成模型，解决了复杂物体抓取问题，推动了智能机器人系统的发展。

本文介绍了一个用于6自由度姿态估计的新数据集，包含玩具物品的3D模型和RGBD图像，旨在提升机器人抓取和操控能力。同时，研究提出了新的姿态评估指标ADD-H，并探讨了基于视觉的机器人操作学习和透明物体深度感知的解决方案。

本文介绍了一种基于卷积神经网络的实时机器人抓取检测方法，性能提升高达14%，特别适用于多种抓取方式的物体。研究提出了多种改进技术，包括使用深度图像解决夹持器姿态不确定性、闭环控制器学习方法和半监督学习网络，显著提高了抓取成功率和模型准确性。

本文介绍了一种基于深度学习的触觉感知模型，旨在提升机器人抓取能力。研究涵盖了OmniTact传感器、T-Dex灵巧性方法、TouchSDF 3D形状重建、Imagine2touch触觉信号预测及T3触觉变压器，展示了触觉与视觉结合在物体识别和抓握稳定性方面的优势。

本研究探讨了利用深度学习和强化学习解决机器人抓取问题的方法，重点在于域随机化和从仿真到实际的转移。提出的算法显著提高了抓取成功率，验证了机器人在复杂环境中的操作能力。

本文介绍了一种新方法，通过感知系统提供场景中物体的几何和语义信息，以提升机器人抓取效率。研究表明，该方法在动态环境中实现实时重建，抓取成功率超过90%。利用深度传感器和卷积神经网络，显著提高了复杂场景中的抓取规划效果。

本文介绍了一种高效的机器人抓取检测方法，利用RGBD图像和点云数据，成功率可达93%。研究提出了多种模型和方法，如PointNetGPD和RGBD-Grasp，优化了抓取配置和轨迹规划，提升了抓取的准确性和效率。实验结果表明，这些方法在实际应用中表现优异。

本文介绍了基于强化学习和模仿学习的机器人喂食系统和抓取技术。研究实现了对可变形食物的抓取，成功率达到71%。此外，框架Hi-Viscont通过语言交互学习新视觉概念，显著提高了机器人的任务成功率和准确性。

本文提出了一种基于多任务领域适应的框架，解决机器人抓取训练数据的收集与标注问题。通过仿真实验和领域对抗性损失，将模型转移到真实机器人中，实验结果显示该模型的准确性优于其他结构。结合合成数据和领域自适应，减少对真实样本的需求，并利用无标签数据和GraspGAN方法，取得了优异的抓取性能。

本文介绍了一种多模态移动远程操作系统，结合视觉手部姿态回归网络和IMU臂部追踪方法，利用低成本深度摄像头进行人手观察。该系统通过图像转换生成机器人手部姿势的深度图像，实现手臂的控制。研究表明，该系统在复杂移动操作任务中表现出高效性和稳定性，成功率可达90%。此外，提出了多种方法以提高机器人在未知环境中的抓取能力和操控性能。