抓取

論文導讀：AnyGrasp——把稠密 6 自由度抓取生成與時序追蹤合而為一

拆解 AnyGrasp 如何用稠密（dense）抓取生成取代單一最佳解、用 Embedding 相似度匹配取代 Kalman Filter 做抓取追蹤、並用多視角靜態場景生成時序監督訓練資料，在真實機器人上做到每小時 900 次以上的動態抓取。

論文導讀：Contact-GraspNet——把 6 自由度抓取降維成 4 自由度來學

拆解 Contact-GraspNet 如何把抓取表示法「錨定」在觀測到的點雲接觸點上，將原本 6 維的抓取姿態預測問題降維成 4 維，直接從雜亂場景的深度影像端到端生成大量抓取候選。

論文導讀：Dex-Net 4.0——讓機械手臂自己決定該用吸盤還是夾爪

拆解 Dex-Net 4.0 如何用領域隨機化生成的合成資料，分別訓練吸盤與平行夾爪兩套獨立的抓取品質網路，再依預測品質動態選擇最適合的夾爪，在真實機器人上做到每小時 300 次以上、成功率超過 95% 的雙夾爪揀選。

GG-CNN 論文導讀：用像素級生成取代候選抓取評分

GG-CNN 把機械手臂抓取偵測從「產生大量候選抓取再逐一評分」改成「直接生成整張像素級抓取地圖」，讓抓取偵測能以 50Hz 即時執行，並支援閉迴路抓取。

GGCNN2 論文導讀：用空洞卷積擴大感受野的即時抓取網路

GGCNN2 是 GG-CNN 的改良版，透過 MaxPooling、Dilated Convolution 與 Bilinear Upsampling 擴大有效感受野、消除反卷積棋盤格偽影，在幾乎不犧牲推論速度的前提下提升抓取精度。附完整 PyTorch 原始碼對照。

論文導讀：用 GG-CNN 抓取複雜形狀與細薄物體——以手術工具為例

拆解 Kim et al. (2023) 如何結合 GG-CNN/GGCNN2 與獨立的顏色分割深度估計模組，處理手術工具這類形狀複雜、細薄難抓的物體，並檢視論文四種編碼器-解碼器變體實驗裡數據與論述之間站不住腳的落差。