Awesome-Robotic-Grasping

github2026-04-19 更新2026-06-04 收录

下载链接：

https://github.com/TX-Leo/Awesome-Robotic-Grasping

下载链接

链接失效反馈

官方服务：

资源简介：

这是一个关于机器人抓取的数据集合集仓库，主要收集和整理机器人抓取领域的数据集资源，涵盖抓取方法、数据集、仿真工具等多个方面，旨在为研究人员和开发者提供一个集中的资源索引。

This is a robot grasping-focused dataset repository. It primarily collects and curates dataset resources in the field of robot grasping, covering multiple aspects such as grasping methods, datasets, and simulation tools, aiming to provide researchers and developers with a centralized resource index.

创建时间：

2023-11-26

原始信息汇总

数据集总结：Awesome-Robotic-Grasping

这是一个专注于机器人抓取领域的资源集合仓库，旨在汇总相关的算法、数据集、仿真工具、研究团队及学术资料。

核心内容结构

抓取方法（Grasping Method）
- 基于CNN的方法：汇总了多种基于卷积神经网络（CNN）的抓取检测方法，包括：
  - GPD：在点云中检测抓取姿态。
  - GQ-CNN：抓取质量卷积神经网络。
  - GG-CNN：生成式抓取CNN。
  - GraspNet-Baseline：CVPR 2020论文“GraspNet-1Billion”的基线模型，用于通用物体抓取。
  - GR-CNN：使用生成式残差卷积神经网络进行对向抓取。
  - Contact-GraspNet、GPNet、Graspness、Keypoint-GraspNet、PointNetGPD、Scale-Balanced-Grasp、VCPD、L2G、SymmetryGrasp等。
- 基于NeRF的方法：汇总了基于神经辐射场（NeRF）的抓取方法，包括：
  - VGN：3D卷积神经网络，用于实时6自由度抓取姿态检测。
  - GIGA：通过隐式表示实现6自由度抓取检测。
  - GraspNeRF：利用可泛化NeRF进行多视角的透明和镜面物体抓取检测。
- 强化学习（RL）
- 多模态大语言模型（MLLM）
抓取数据集（Grasping Dataset）
- 该部分内容在提供的README文件中未展开。
抓取仿真（Grasping Simulation）
- PyBullet
- ROS+Gazebo
其他（Else Gripper | Else Arm）
- 涵盖不同类型的抓取方式，如灵巧手抓取、双臂抓取、吸盘抓取和多指抓取。
研究团队（Research Group）
- 列出了来自美国、欧洲、中国以及Google Deepmind的机器人抓取研究团队。
其他资源
- 会议（Conference）
- 讲座（Talk）
- 视频（Video）
- 书籍（Book）
- 机器人抓取综述（Survey about Robotic Grasping）：包括GitHub和论文形式的综述。

其他信息

该仓库由 Zhi Wang (Leo TX) 维护。
主要关注两指夹爪（two-fingers gripper）。
更新时间：2023年11月25日。

搜集汇总

数据集介绍

构建方式

该数据集名为Awesome-Robotic-Grasping，是由Zhi Wang（Leo TX）于2023年11月25日创建的综合性资源索引库。其构建方式并非传统意义上的数据采集与标注，而是通过系统性地梳理和整合机器人抓取领域的文献、代码、仿真工具及研究团体等信息，形成结构化目录。构建者从卷积神经网络、神经辐射场、强化学习、多模态大语言模型等核心方法切入，收录了GPD、GQ-CNN、GG-CNN、GraspNet-Baseline、Keypoint-GraspNet等代表性算法，并关联其论文、项目主页与GitHub仓库。同时，数据集纳入了PyBullet、ROS+Gazebo等仿真平台，以及灵巧抓取、双臂抓取、吸盘抓取等多类抓取范式，并整理了全球研究团队与学术会议信息，最终以Markdown表格形式呈现，便于研究者快速检索与导航。

特点

该数据集的最大特点在于其高度的结构化与综合性，堪称机器人抓取领域的知识图谱。它并非单一数据样本的集合，而是将分散的学术资源进行系统归类，覆盖从算法原理到工程实现的完整链条。在方法层面，它区分了基于CNN、NeRF、RL和MLLM的四大技术路线，并针对每类方法列举了关键论文与开源代码。在应用层面，它涵盖了灵巧抓取、双臂抓取、吸盘抓取等多种场景，体现了对实际工业需求的关照。此外，数据集还收录了全球顶尖研究团队（如Google DeepMind）和重要学术会议信息，为研究者提供了生态全景图。特别值得注意的是，构建者明确标注了主要面向二指夹爪，体现了聚焦性与专业性。

使用方法

使用该数据集时，研究者可根据自身需求通过目录快速定位目标模块。若关注抓取算法，可直接查阅'Grasping Method'部分，从CNN、NeRF、RL或MLLM中选择技术路线，并点击表格中的论文链接获取详细研究内容，或访问GitHub仓库复现代码。若需要仿真环境，可在'Grasping Simulation'中找到PyBullet或ROS+Gazebo的相关资源。对于特定抓取类型（如灵巧抓取或双臂抓取），'Else Gripper | Else Arm'部分提供了针对性资料。此外，'Research Group'和'Conference'模块有助于追踪领域前沿动态。该数据集本质上是一个动态更新的导航工具，使用者应将其作为起点，再通过链接深入探索具体资源。

背景与挑战

背景概述

机器人抓取作为自主操作的核心能力，长久以来是人工智能与机器人交叉领域的研究焦点。Awesome-Robotic-Grasping 数据集由 Zhi Wang（Leo TX）于2023年11月创建，旨在系统梳理和整合机器人抓取领域的关键方法、数据集与仿真工具。该资源库涵盖了从基于卷积神经网络的抓取检测（如GPD、GraspNet）、神经辐射场（NeRF）的隐式表征，到强化学习与多模态大语言模型等前沿范式，并特别聚焦于二指夹爪的应用场景。其核心研究问题在于如何通过数据驱动的方式提升机器人对未知物体的通用抓取能力，尤其是在复杂、非结构化环境中的鲁棒性。该数据集为学术界和工业界提供了结构化的知识索引，对推动抓取算法评估与标准化具有重要影响力。

当前挑战

该领域面临的核心挑战在于实现高度通用且鲁棒的抓取能力。具体而言，现有方法在应对透明、高反光或形状极不规则的物体时，基于RGB-D的感知往往失效，导致抓取姿态估计精度骤降。此外，从单一视角观测到的部分点云信息难以完整表征物体几何结构，限制了6自由度抓取的成功率。在数据集构建过程中，挑战同样显著：合成数据与真实世界之间存在严重的域迁移问题，物理仿真难以完全模拟接触力、摩擦与材料形变等复杂动力学特性。同时，大规模标注真实抓取姿态成本高昂，且不同研究组使用的夹爪构型与评价标准各异，造成方法间的公平比较极为困难。

常用场景

经典使用场景

在机器人操作领域，抓取是赋予机械臂与物理世界交互能力的基础技能。Awesome-Robotic-Grasping数据集汇集了从经典CNN方法到前沿NeRF、强化学习及多模态大语言模型驱动的抓取策略，为研究者提供了系统化的算法与资源索引。其最经典的使用场景包括基于点云的抓取姿态检测（如GPD、PointNetGPD）和基于RGB-D图像的密集抓取预测（如GG-CNN、GraspNet-Baseline），这些方法在杂乱场景中实现了高效且鲁棒的抓取规划。此外，针对透明或镜面物体，GraspNeRF利用多视图神经辐射场突破了传统几何感知的局限，展现了在复杂光学特性物体上的卓越适应性。该数据集还涵盖了灵巧手抓取、双臂协同及吸盘抓取等多样化操作模式，成为机器人抓取研究从仿真到真实部署的核心参考基准。

衍生相关工作

围绕该数据集，学术界衍生出一系列具有里程碑意义的后续工作。在方法层面，Keypoint-GraspNet通过引入关键点检测机制，将抓取生成转化为稀疏姿态回归问题，显著降低了计算开销。L2G（Learning to Grasp）则探索了从物体点云直接端到端采样的抓取策略，避免了中间表示的信息损失。在系统层面，VGN的TSDF体积网络启发了后续如GIGA等工作，它们将抓取检测与物体功能属性（如可供性）相结合，实现了语义引导的抓取决策。此外，GraspNet-1Billion作为大规模基准，催生了众多基于其标注的改进模型，如Scale-Balanced-Grasp通过平衡训练样本的尺度分布，提升了小物体抓取的精度。这些衍生工作不仅深化了对抓取几何与物理约束的理解，也为多模态感知与强化学习在机器人操作中的融合提供了新范式。

数据集最近研究