抓取物体的能力是大多数机器人操作任务所需的基 本能力之一。抓取涉及到物体的三维几何和物理特性的 推理，如质量和摩擦，以及复杂接触物理的推理。研究 方向主要有两个:已知物体三维模型或类别的基于模型抓取和不知道物体先验知识的无模型抓取。

基于三维模型的抓取：根据六自 由度目标位姿[1,2,3,4]或检测到的目标关键点[5,6]对这些 抓取点进行变换，从而规避了接触和抓取生成的物理推理。

缺点：只适用于已知对象或 类别的有限子集，并且在检测六自由度对象姿态或对象 关键点时的任何错误都会降低抓取性能

基于无模型的抓取（基于数据驱动的抓取）：不会对物体的类别或形状做出任何强有 力的假设，它们会学习所有物体形状和大小的共享表示。然而，除了抓取姿势的大SE(3)空间之外，为所有对象提 供一个共享表示使得学习问题相当具有挑战性。[7,8,9] 抓取由每个像素周围 的定向矩形表示。这种方法需要相机垂直地观看场景，从而极大地限制了3D 推理和应用。

为解决抓取平面的局限性，[10,11,12,13, 14]解决了未知物体6D抓取问题。目标物体必须被成功抓取，同时必须避免与其他物体发 生任何碰撞，以防止损坏或转化为其他不希望的状态。

判别方法：抓取的判别方法是训练一个分类器来评估现有的抓取质量【3个】【Dex-Net2.0】【Fischinger D, Weiss A, Vincze M. Learning grasps with topographic features[J]. The International Journal of Robotics Research, 2015, 34(9): 1167-1194.】【PointNetGPD】。它们使用不同的采样策略来生成潜在 的候选对象。对于平面抓取，交叉熵被广泛使用，因为 它可以通过迭代评估不同位置的抓取质量来收敛到最终 抓取位置【Dex2.0】。然而，交叉熵方法在高维六自由度抓取空 间中效果不佳。为了克服采样复杂性问题，通常使用几 何启发式对抓取位置进行采样【GPD、PointNetGPD】。

抓取生成：基于学习的生成式抓取方法旨在克服几何启发 式的局限性，通常根据物理模拟器中的经验生成有意义 的6-DoF抓取【2个，6-dof graspnet、】【Mousavian A, Eppner C, Fox D. 6-dof graspnet: Variational grasp generation for object manipulation[C]//Proceedings of the IEEE/CVF international conference on computer vision. 2019: 2901-2910.】【Murali A, Mousavian A, Eppner C, et al. 6-dof grasping for target-driven object manipulation in clutter[C]//2020 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2020: 6232-6238.】。

不是使用启发式方法对一些 潜在的候选对象进行抽样并对它们进行排序，而是直接预测SO(3)空间中的每点可抓取性得分和接近方向【Graspnet-1billion】【Qin Y, Chen R, Zhu H, et al. S4g: Amodal single-view single-shot se (3) grasp detection in cluttered scenes[C]//Conference on robot learning. PMLR, 2020: 53-65.】【“Pointnet++ grasping】

Sundermeyer等人【Sundermeyer M, Mousavian A, Triebel R, et al. Contact-graspnet: Efficient 6-dof grasp generation in cluttered scenes[C]//2021 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2021: 13438-13444.】在Murali等人【Murali A, Mousavian A, Eppner C, et al. 6-dof grasping for target-driven object manipulation in clutter[C]//2020 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2020: 6232-6238.】的工作基础上，直接处理一个完整的场景点云或目标物体周围的局部区域，使用预训练的未知物体实例分割模型对物体进行分割，生成的抓地力的质量不依赖于精确掩模，端到端的实现复杂场景中对未知物体的抓取。