本研究通过引入残差策略学习和混合专家框架，解决了机器人灵巧抓取中的多物体识别和抓取问题。ResDex 在3,200个物体上抓取成功率达88.8%，对未见物体无泛化差距，训练效率大幅提升。

该文综述机器人抓取研究进展，提出GRASP基准评估视频多模态大模型的语言与物理理解并揭示现有模型缺陷，同时介绍模拟到现实迁移、RGB-D轨迹生成、DexGraspNet灵巧抓取数据集、GRAB人手抓取数据集、点云通用抓取、人类示范抓取、Lang-SHAPE语言引导抓取及强化学习动态抓取等方法。

该文综述灵巧抓取研究进展，涵盖GenDexGrasp的多型机械手无偏见抓取算法与MultiDex数据集、UGG的扩散模型统一生成抓取、DexGraspNet的大规模数据集、Dex-Net系列的GQ-CNN快速抓取规划，以及Grasp'D可微分接触模拟和人机辅助抓取等方法。

该研究提出了一种新的人机辅助灵巧抓取任务，通过Grasping Gradient Field和历史剩余策略解决了用户意图多样性和物体几何形状的挑战，并证明了该方法在实际应用中的优越性。