Robotic Grasp Detection (6): 数据集与基准评测协议 • Hana's Blog

先区分数据集、基准与评测协议（Dataset, Benchmark, and Protocol）#

在抓取检测（Grasp Detection）中，数据集（Dataset）不只是训练样本的集合。它还规定了机器人能看到什么、抓取如何表示、正负标签如何产生，以及“成功”究竟指什么。基准（Benchmark）是在数据集之上固定任务和测试划分；评测协议（Evaluation Protocol）则规定候选如何解码、排序、去重，以及最后使用哪个指标计算分数。

Cornell 的 2D 矩形准确率、GraspNet-1Billion 的离线平均精度（Average Precision, AP）和真实机器人的抬升成功率，分别对应图像标注、解析几何和物理执行三个层级。阅读结果时，先确认方法所处的层级，再看数字。

一个数据集可以用下面六个问题快速描述：

输入是什么：RGB 图像、深度图（Depth Image）、RGB-D 图像、点云、网格、语言还是触觉？
标签是什么：旋转矩形、 $SE(3)$ 抓取姿态、连续质量、碰撞标签、目标身份还是实际执行结果？
标签如何得到：人工标注、解析计算（Analytic Computation）、物理仿真（Physics Simulation）还是机器人实验？
训练和测试如何分开：按图像、物体实例、物体类别、场景、视角、遮挡程度还是夹爪尺寸划分？
使用什么夹爪：固定的平行夹爪（Parallel-Jaw Gripper）几何、指尖长度、最大开口和碰撞模型是什么？
指标位于哪一层：二维匹配、姿态检测、几何有效、仿真执行、真实抓取还是完整任务？

数据集总览（Dataset Map）#

下表按照输入、标签、规模和指标概括这些基准。

数据集	输入与场景	抓取标签	标签来源	规模或划分	主要指标	主要回答的问题
Cornell	真实 RGB-D，单物体桌面图像	2D 旋转矩形	人工标注	885 张图像、240 个物体	角度误差 + IoU	图像中是否找到了一个合理的平面抓取
Jacquard	合成 RGB-D / 深度图	2D 旋转矩形	渲染与几何生成	约 54K 张图像、约 1.1M 个矩形	角度误差 + IoU	大规模平面抓取学习能否工作
Dex-Net 2.0	合成局部深度图块	平行夹爪姿态与鲁棒质量	解析准静态模型	1,500 个物体模型、约 6.7M 个样本	质量预测、真实成功率	解析抓取质量能否被深度网络学习
ACRONYM	物体网格与仿真抓取	物体坐标系中的 6-DoF 抓取	物理仿真	8,872 个物体、262 个类别、约 17.7M 个抓取	仿真成功与覆盖率	物体中心的 6-DoF 抓取分布能否泛化
GraspNet-1Billion	两种真实 RGB-D 相机的杂乱场景	场景坐标系中的 6-DoF 抓取	力闭合、场景碰撞与坐标变换	88 个物体、190 个场景、97,280 张图像、超过 11 亿标签	$AP$ 、 $AP_{0.4}$ 、 $AP_{0.8}$	视觉模型能否在未见杂乱场景中生成高质量抓取
REGRAD	关系化杂乱场景	目标、关系和安全抓取	生成式场景与解析标签	约 111.8K 个场景，Seen / Unseen	目标特定与关系相关指标	抓取哪个对象以及如何避开关系约束
LangSHAPE	视觉、语言与部件	部件可供性和 6-DoF 抓取	部件/对象级标注	16 个物体类别、35 个部件类别，8:1:1 划分	部件定位与抓取	语言指定的部件是否真的可抓
TARGO	目标驱动的遮挡场景	目标对象条件下的 6-DoF 抓取	真实场景筛选与标注	TARGO-Real：21 个物体、1,000 个场景	目标抓取与遮挡鲁棒性	指定目标而不是任意抓取能否成功
Supermarket-6DoF	真实超市物体	姿态、抬升与稳定性标签	机器人执行	20 个物体、1,500 次尝试	Lift / Stability	检测姿态是否能在真实平台上抓住物体
GraspIT / GCA-Bench	仿真与真实执行场景	滑移、可达性、阶段和任务结果	仿真验证与机器人实验	GraspIT：约 316K 帧、1,035 个仿真场景、100 个真实场景；GCA-Bench：102 个任务场景	Slip、Reachability、Task Success	感知错误如何传递到规划和任务执行

这些数据集沿着不同方向扩展任务：Jacquard 增加平面图像的规模，ACRONYM 增加物体中心的 6-DoF 多样性，GraspNet 增加真实 RGB-D 杂乱场景，TARGO、LangSHAPE 与 GCA-Bench 则加入目标、语言和任务执行条件。

平面抓取基准（Planar Grasp Benchmarks）#

Cornell Grasp Dataset：人工矩形标注#

Cornell 是最常见的平面抓取基准。它提供真实桌面图像以及人工绘制的旋转抓取矩形。Redmon 等人使用的常见版本包含 885 张 RGB-D 图像、240 个物体和约 8,019 个矩形标注 [1]。

一个矩形抓取通常写成：

g=(x,y,w,l,\theta),

其中 $(x,y)$ 是图像像素中的中心， $w$ 和 $l$ 是矩形的像素宽度与长度， $\theta$ 是图像平面内的旋转角。平行夹爪的两个指尖可以对应矩形的两条相对短边，因此这个表示隐含了“从图像上方沿相机光轴接近”的假设。

常用判据要求预测矩形与某个标注矩形之间的方向误差小于 $30^\circ$ ，并且交并比（Intersection over Union, IoU）大于 $0.25$ 。IoU 定义为两个矩形区域交集与并集面积之比：

\operatorname{IoU}(g, g^*) =\frac{|B(g)\cap B(g^*)|}{|B(g)\cup B(g^*)|},

其中 $B(g)$ 是抓取矩形在图像中的区域， $g^*$ 是人工标注。这个指标衡量图像空间的几何接近，输入输出都位于平面抓取表示中。

还需要区分两种常见划分：

图像划分（Image-Wise Split）：同一物体的不同图像可能同时出现在训练和测试中，测试重点是视角和图像变化；
物体划分（Object-Wise Split）：测试物体实例不出现在训练集中，更接近未见物体泛化。

论文报告 Cornell accuracy 时，应同时写明使用的是 image-wise split 还是 object-wise split。

Jacquard：大规模合成矩形#

Jacquard 用三维物体模型和渲染器生成 RGB-D / 深度图，再为每张图像生成多个平面抓取矩形。常见统计为约 54K 张图像、约 11K 个物体和约 1.1M 个矩形标签 [2]。它沿用角度误差与 IoU 判据，适合训练和评测大规模平面抓取检测器。

它可以低成本改变物体形状、朝向和抓取数量；渲染域与真实相机之间的域差距（Rendering Domain Gap）则是后续 sim-to-real 实验需要处理的变量。

Cornell 与 Jacquard 上的代表性结果#

下表列出公开论文中常被引用的平面抓取结果。Cornell 的两列分别是 image-wise 和 object-wise accuracy；Jacquard 一列使用的是 GKNet 论文中的 Abridged Jacquard Dataset（AJD），不是完整 Jacquard 测试集。速度为论文报告的单模型推理速度。

方法	Cornell image-wise	Cornell object-wise	AJD accuracy	速度
Lenz et al. [20]	73.9%	75.6%	—	0.07 fps
Redmon and Angelova [1]	88.0%	87.1%	—	3.31 fps
Kumra and Kanan [18]	89.2%	88.9%	—	16.03 fps
GKNet [19]	96.9%	95.7%	98.39%	41.67 / 23.26 fps

这个表展示的是平面基准内部的演进：表示从矩形回归逐步转向关键点热图和分组，速度与准确率同时成为比较维度。AJD 的 98.39% 对应 512×512 输入和 AJD 协议，不能当作完整 Jacquard 的统一 leaderboard 数字。

物体中心的解析与仿真数据（Object-Centric Analytic and Simulated Data）#

Dex-Net 2.0：从解析质量到局部深度图块#

Dex-Net 2.0 的训练样本来自三维物体模型，而不是机器人逐次尝试。它在物体表面采样平行夹爪候选，用鲁棒准静态抓取质量（Robust Quasi-Static Grasp Quality）给候选打标签，再从相机视角渲染深度图块，训练抓取质量卷积网络（Grasp Quality Convolutional Neural Network, GQ-CNN） [3]。论文报告约 1,500 个物体模型和约 6.7M 个合成深度样本，并在 ABB YuMi 上进行了验证。

一个 Dex-Net 样本可以理解为以下变量的组合：物体网格、稳定放置姿态、相机姿态、候选抓取、渲染深度和解析质量。生成逻辑是：

物体网格清理与缩放
    → 采样稳定放置姿态
    → 采样平行夹爪候选
    → 在摩擦与位姿扰动下计算鲁棒解析质量
    → 渲染带噪深度图
    → 裁剪候选附近的局部深度图块
    → 训练 GQ-CNN 预测质量

text

这里的“正样本”是接触模型在给定摩擦、力和扰动假设下计算出的质量。网格尺度、摩擦系数、指尖几何和扰动分布都会进入标签，Dex-Net 2.0 的研究对象是单物体局部深度图上的质量预测。

Dex-Net 的训练/测试划分在物体模型层完成；同一网格的不同渲染视角属于同一几何实例。

Dex-Net 2.0 同时给出了一个物理执行结果：GQ-CNN 在 8 个已知物体上达到 93% 的抓取成功率，在 10 个未见物体上达到 80%；在 40 个新家庭物体上，对被判为 robust 的抓取达到 99% precision [3]。这些结果把解析质量、网络排序和 YuMi 执行连接起来，是物体中心基准与真实机器人之间的早期桥梁。

ACRONYM：物体坐标系中的 6-DoF 抓取分布#

ACRONYM 面向物体中心的六自由度抓取，包含约 17.7M 个仿真平行夹爪抓取，覆盖 8,872 个物体和 262 个类别 [4]。与 Cornell/Jacquard 的矩形不同，它保存的是物体坐标系中的抓取姿态；加载物体时，可以把同一组姿态变换到任意场景位姿。

标签由物理仿真产生：夹爪被放置到候选预抓取姿态，随后闭合指尖，并依据碰撞、接触和物体是否被稳定持有判断结果。ACRONYM 的主要用途是提供大规模物体中心 6-DoF 抓取分布，用于生成式模型训练、候选覆盖率分析和 sim-to-real 预训练。

GraspNet-1Billion：场景级 6-DoF 基准（Scene-Level 6-DoF Benchmark）#

数据采集与规模#

GraspNet-1Billion 将真实 RGB-D 观测、杂乱场景、物体 6D 位姿和密集 6-DoF 抓取标签结合起来 [5]。它包含 88 个日常物体和 190 个杂乱场景；每个场景约有 512 个视角，总计 97,280 张 RGB-D 图像。数据由 Intel RealSense 435 和 Azure Kinect 两种深度相机同步采集，因此同一场景可以在不同传感器质量下被观察。

“1Billion”指自动生成的抓取标注数量超过 11 亿。每个场景的标注数量约为 3M 到 9M，密度来自多个采样和变换步骤的组合。

标签是如何生成的#

GraspNet 的标注流程分为两个阶段。

第一阶段在单物体网格上生成抓取：

在网格表面均匀采样抓取点；
为每个点采样球面上的接近方向（Approach Direction）；
在夹爪深度集合 $D$ 与夹爪绕接近轴的平面内角集合 $A$ 上搜索候选；
根据物体几何确定夹爪宽度，删除空抓和物体自身碰撞的候选；
对候选进行力闭合（Force Closure）计算，并在一组摩擦系数下记录质量。

对某个候选抓取，若最小摩擦系数为 $\mu$ 时仍满足力闭合，原论文使用：

s=1.1-\mu

作为质量分数，其中 $\mu$ 是无量纲的摩擦系数， $s$ 也是无量纲分数。这个分数来自接触模型，不是实测成功概率。

第二阶段把单物体抓取放入杂乱场景：

用物体在场景中的位姿把物体坐标系抓取变换到场景坐标系；
检查夹爪与桌面、背景和其他物体的碰撞；
使用相机标定与逐帧相机位姿，把场景标注表达到各个视角。

如果单物体抓取为 $G_i^{(o)}$ ，物体坐标系到世界坐标系的变换为 ${}^{w}T_{O_i}$ ，则场景坐标系中的抓取可以写成：

G_i^{(w)}={}^{w}T_{O_i}G_i^{(o)}.

这个过程同时产生物体姿态、掩码、边界框和场景抓取，构成 GraspNet 的场景级监督。

训练集与测试集如何划分#

GraspNet 使用 100 个训练场景和 90 个测试场景。官方测试集分为三个各含 30 个场景的分支：

划分	测试对象相对于训练集	主要考察的问题
Seen	训练中出现过的对象	场景杂乱、视角和遮挡变化
Similar	未出现但外形或类别相近的对象	中等程度的对象泛化
Novel	与训练对象分布差异更大的未见对象	更严格的几何泛化

早期论文有时把 Similar 写作 Unseen；表格中采用 GraspNet 官方常用的 Seen / Similar / Novel 命名。

官方 AP 如何计算#

模型通常从 RGB-D 图像或场景点云输出带分数的候选抓取：

\hat g_j=(\hat R_j,\hat{\boldsymbol t}_j,\hat w_j,\hat q_j),

其中 $\hat R_j\in SO(3)$ 是旋转矩阵， $\hat{\boldsymbol t}_j\in\mathbb R^3$ 是抓取中心， $\hat w_j\in\mathbb R$ 是夹爪宽度， $\hat q_j\in\mathbb R$ 是用于排序的置信分数。官方评测包含以下步骤：

按候选分数排序，并执行姿态非极大值抑制（Pose Non-Maximum Suppression, Pose-NMS），避免相同抓取模式重复占据候选名额；
每个场景只保留前 50 个候选；
根据夹爪内部的场景点确定候选关联的物体，并检查碰撞；
对每个摩擦系数 $\mu$ 重新计算力闭合标签；
计算不同候选截断位置的前缀精度，再在场景和摩擦系数上汇总。

设经过 NMS 后的第 $j$ 个候选在摩擦系数 $\mu$ 下的标签为 $y_{j,\mu}\in\{0,1\}$ 。前 $k$ 个候选的精度是：

\operatorname{Precision@}k_{\mu} =\frac{1}{k}\sum_{j=1}^{k}y_{j,\mu}, \qquad 1\leq k\leq 50.

单个场景在该摩擦系数下的 AP 定义为：

\operatorname{AP}_{\mu} =\frac{1}{50}\sum_{k=1}^{50} \operatorname{Precision@}k_{\mu}.

总 AP 通常对 $\mu\in\{0.2,0.4,0.6,0.8,1.0\}$ 的结果取平均：

\operatorname{AP} =\frac{1}{5}\sum_{\mu\in\{0.2,0.4,0.6,0.8,1.0\}} \operatorname{AP}_{\mu}.

因此， $AP_{0.4}$ 更强调低摩擦条件下仍然满足力闭合的候选， $AP_{0.8}$ 则更接近高摩擦条件下的结果。GraspNet AP 的核心是前 50 个候选的前缀精度平均，候选排序、Pose-NMS 和碰撞过滤都属于协议的一部分。

Algorithm 1 6-DoF 抓取检测基准评测流程

输入:

固定的测试 split、RGB-D 或点云输入、夹爪模型、候选解码器和官方评测参数

输出:

每个场景的 Top-50 候选、

AP_\mu

、平均 AP，以及独立记录的运行时间和执行指标

require 固定相机分支、Seen / Similar / Novel split 与摩擦系数集合
读取 RGB-D 或点云，并执行工作空间裁剪、下采样和坐标变换
运行抓取检测器，将网络输出解码为 $(R,\boldsymbol t,w,q)$
按 $q$ 排序，执行 Pose-NMS，并保留每个场景的 Top-50 候选
for 对每个摩擦系数 $\mu$
关联候选与场景物体，检查夹爪碰撞并计算 $y_{j,\mu}$
计算 $\operatorname{Precision@}k_\mu$ 与 $AP_\mu$
end for 对所有 $\mu$ 求平均得到 AP
分别记录候选覆盖率、推理时间、可达性和真实执行成功率
return 按 split、相机和指标类型组织的结果表

GraspNet-1Billion 上的代表性高分结果（Representative Results）#

下面的表格整理了后续论文在 GraspNet-1Billion 上报告的代表性结果。每个单元格按照 RealSense / Kinect 的顺序书写；结果均采用论文报告的官方 split 和 AP 协议。

总体 AP 与泛化划分#

方法	输入与主要表示	平均 AP	Seen AP	Similar AP	Novel AP
GraspNet baseline [5]	场景点云，点级 6-DoF 抓取	21.41 / 23.08	27.56 / 29.88	26.11 / 27.84	10.55 / 11.51
TransGrasp [13]	场景点云，多尺度点 Transformer，7-DoF	27.65 / 25.70	39.81 / 35.97	29.32 / 29.71	13.83 / 11.41
GSNet [14]	场景点云，点级/视角级 Graspness	47.92 / 42.53	65.70 / 61.19	53.75 / 47.39	24.31 / 19.01
AnyGrasp w/ CD [15]	场景点云，稠密生成 + 碰撞检测	49.01 / —	66.12 / —	56.09 / —	24.81 / —
RNGNet [16]	RGB-D，归一化区域抓取空间	58.06 / 52.24	75.20 / 72.23	66.62 / 58.43	32.38 / 26.05
RNGNet w/ CD [16]	RGB-D，区域预测 + 碰撞检测	59.13 / 52.81	76.28 / 72.89	68.26 / 59.42	32.84 / 26.12

这里的“平均 AP”是三个测试分支 AP 的平均。Novel split 的分数明显低于 Seen split，说明未见几何仍然是主要难点；CD 表示额外的碰撞检测后处理。

不同摩擦条件下的补充结果#

下面是 RNGNet 论文附录中几个方法的 $AP_{0.8}$ 和 $AP_{0.4}$ 结果，仍按 RealSense / Kinect 排列。

方法	Seen $AP_{0.8}$	Novel $AP_{0.8}$	Seen $AP_{0.4}$	Novel $AP_{0.4}$
GSNet [14]	76.25 / 71.46	29.93 / 23.73	61.08 / 56.04	14.05 / 10.60
AnyGrasp w/ CD [15]	77.27 / —	31.08 / —	61.02 / —	13.82 / —
RNGNet w/ CD [16]	86.58 / 83.10	41.07 / 32.45	72.26 / 68.11	19.68 / 15.92

低摩擦条件下的 AP 反映候选对接触和摩擦变化的余量，能够补充平均 AP 对质量分布的描述。

条件化与执行型基准（Conditional and Execution Benchmarks）#

REGRAD：对象关系与安全抓取#

REGRAD 在杂乱场景中加入对象关系、目标对象和碰撞安全等信息，约包含 111.8K 个生成场景，训练、验证和测试规模约为 46.9K、32.1K 和 32.8K，并区分 Seen 与 Unseen [7]。它把评测对象从“场景中生成一个抓取”扩展为“在指定目标和关系约束下生成安全抓取”，因此结果通常按目标选择、关系预测和抓取几何分别统计。

LangSHAPE：语言指定的部件可供性#

LangSHAPE 将语言条件（Language Conditioning）和部件可供性（Part Affordance）结合起来，包含 16 个物体类别、35 个部件类别，并使用对象级和部件级 8:1:1 划分 [8]。例如，“抓住杯子的把手”不仅要求输出一个合法姿态，还要求网络先把语言对应到正确部件。

LangSHAPE 的评测链条包括部件定位、语言—部件匹配和部件约束抓取三个层次。

TARGO：目标驱动的遮挡抓取#

TARGO 将目标身份和遮挡程度作为显式条件。TARGO-Real 使用 21 个物体和 1,000 个筛选后的真实场景，研究在遮挡变化下指定目标的 6-DoF 抓取 [9]。它把目标选择与几何生成放在同一个测试任务中。

执行感知数据：Supermarket-6DoF、GraspIT 与 GCA-Bench#

Supermarket-6DoF 记录 20 个超市物体上的 1,500 次真实抓取尝试，并区分物体是否被抬起以及抓取后是否保持稳定 [10]。它将 6-DoF 姿态、场景点云、初始成功和扰动后稳定性放在同一条数据记录中。

GraspIT 报告约 316K 组 RGB-D 帧、1,035 个仿真场景和 100 个真实场景，并提供约 2.3M 个经过滑移测试（Slip Test）验证的候选 [11]。它把几何候选、可达性和执行稳定性放在同一数据流程中。

GCA-Bench 将抓取检测、目标选择、运动规划和执行拆成阶段指标，定义 102 个复杂任务场景 [12]。它的重点是记录感知、规划和控制之间的错误传递。

Contact-GraspNet 使用 ACRONYM 的仿真抓取训练，从部分观测点云预测接触中心和 6-DoF 姿态，并在 Franka 与 RealSense L515 平台上进行结构化杂乱场景实验，论文报告超过 90% 的抓取成功率 [17]。

执行型基准的代表性结果#

数据集 / 方法	任务与指标	代表性结果	评测设置
Dex-Net 2.0 / GQ-CNN [3]	已知物体抓取成功率	93%	8 个物体，ABB YuMi
Dex-Net 2.0 / GQ-CNN [3]	未见物体抓取成功率	80%	10 个物体，50 次尝试
Dex-Net 2.0 / GQ-CNN [3]	robust grasp precision	99%	40 个新家庭物体，69 个被判为 robust 的抓取
Contact-GraspNet [17]	结构化杂乱场景成功率	>90%	Franka，RealSense L515
Supermarket-6DoF / Gripper-as-Point-Cloud [10]	初始抓取成功预测准确率	77.2 ± 2.8%	1,500 次真实尝试，5-fold cross-validation
Supermarket-6DoF / Gripper-as-Point-Cloud [10]	稳定抓取预测准确率	75.2 ± 1.0%	抬升后进行腕部 ±90° 扰动

这组结果把“解析质量预测”“候选生成后的真实执行”和“执行结果预测”放在了同一个数据集章节中，但每一行仍保留自己的任务定义。

评测阶梯与可复现性（Evaluation Ladder and Reproducibility）#

同一个预测姿态可以在不同层级被称为“成功”。从低到高，可以这样理解：

层级	典型指标	能证明什么	不能证明什么
图像矩形匹配	角度 + IoU	与二维标注在图像上接近	完整三维碰撞与可达性
离线姿态检测	AP、Recall@ $k$	与解析姿态标签匹配	真实抬升和稳定性
几何有效性	Force Closure、Collision	满足指定接触与碰撞模型	传感器和执行误差下的成功
仿真执行	Simulated Success、Coverage	在指定仿真参数下成功	真实材料和接触动力学
真实抓取	Lift Success、Stability、Clearing Rate	特定机器人完成一次或多次抓取	更换硬件后的泛化
完整任务	Task Success、Recovery	感知—规划—控制闭环效果	检测器单独贡献了多少

指标如何对应问题（Metrics and Questions）#

GraspNet AP 衡量前 50 个候选在解析标签下的排序质量；Cornell IoU 衡量图像矩形与人工标注的几何接近；Lift Success 和 Stability 则直接观察机器人执行结果。跨基准阅读时，保留数据集、split、夹爪和指标名称即可，不需要把它们压缩成一个总分。

复现实验时必须固定的参数#

复现实验时需要同时记录模型输出和评测 API 之间的处理参数：

环节	需要记录的参数
工作空间	桌面/箱体边界、深度范围、是否使用真值分割
点云处理	体素下采样尺寸、输入点数、法线和颜色是否使用
姿态解码	旋转表示、宽度范围、深度偏移和坐标系约定
候选预算	每点方向数、总候选数、候选排序和 Top- $k$
Pose-NMS	平移阈值、旋转阈值、夹爪对称处理和是否按物体分组
碰撞检查	指尖与手掌几何、体素尺寸、空抓和碰撞阈值
评测输入	RealSense/Kinect 分支、Seen/Similar/Novel split、摩擦系数集合
执行设置	机器人、相机位置、夹爪、轨迹规划器、成功判据和重试策略

表格中的方法结果应与这些参数一起阅读，尤其是输入相机、候选预算、Pose-NMS 和碰撞模型。

参考文献（References）#

J. Redmon and A. Angelova, “Real-Time Grasp Detection Using Convolutional Neural Networks,” 2015 IEEE International Conference on Robotics and Automation, 2015. DOI ↗
A. Depierre, E. Dellandrea, and L. Chen, “Jacquard: A Large Scale Dataset for Robotic Grasp Detection,” 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems, 2018. DOI ↗
J. Mahler et al., “Dex-Net 2.0: Deep Learning to Plan Robust Grasps with Synthetic Point Clouds and Analytic Grasp Metrics,” Robotics: Science and Systems XIII, 2017. DOI ↗
C. Eppner, A. Mousavian, and D. Fox, “ACRONYM: A Large-Scale Grasp Dataset Based on Simulation,” 2021 IEEE International Conference on Robotics and Automation, 2021. DOI ↗
H.-S. Fang, C. Wang, M. Gou, and C. Lu, “GraspNet-1Billion: A Large-Scale Benchmark for General Object Grasping,” 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020. DOI ↗
H.-S. Fang, M. Gou, C. Wang, and C. Lu, “Robust Grasping across Diverse Sensor Qualities: The GraspNet-1Billion Dataset,” The International Journal of Robotics Research, 2023. DOI ↗
H. Zhang et al., “REGRAD: A Large-Scale Relational Grasp Dataset for Safe and Object-Specific Robotic Grasping in Clutter,” IEEE Robotics and Automation Letters, 2022. DOI ↗
Y. Song et al., “Learning 6-DoF Fine-Grained Grasp Detection Based on Part Affordance Grounding,” IEEE Transactions on Automation Science and Engineering, 2025. DOI ↗
Y. Xia et al., “TARGO and TARGO-Net: Benchmarking Target-Driven Object Grasping under Occlusions,” International Journal of Computer Vision, 2026. DOI ↗
J. Toskov and A. Cosgun, “Supermarket-6DoF: A Real-World Grasping Dataset and Grasp Pose Representation Analysis,” arXiv preprint arXiv:2502.16311, 2025. arXiv ↗
P. Koch, A. Karakurt, and A. Sers, “GraspIT: A Dataset Bridging the Sim-to-Real Gap and Back for Validated Grasping SE(3) Pose Generation,” arXiv preprint arXiv:2607.05869, 2026. arXiv ↗
H. Zhang et al., “Beyond Visual Grasping: Benchmarking Complex Grasping from Detection to Execution,” arXiv preprint arXiv:2607.14341, 2026. arXiv ↗
Z. Liu, Z. Chen, S. Xie, and W.-S. Zheng, “TransGrasp: A Multi-Scale Hierarchical Point Transformer for 7-DoF Grasp Detection,” 2022 International Conference on Robotics and Automation, 2022. DOI ↗
C. Wang, H.-S. Fang, M. Gou, H. Fang, J. Gao, and C. Lu, “Graspness Discovery in Clutters for Fast and Accurate Grasp Detection,” 2021 IEEE/CVF International Conference on Computer Vision, 2021. DOI ↗
H.-S. Fang et al., “AnyGrasp: Robust and Efficient Grasp Perception in Spatial and Temporal Domains,” IEEE Transactions on Robotics, 39(5):3929–3945, 2023. DOI ↗
S. Chen, P. Xie, W. Tang, D. Hu, Y. Dai, and G. Wang, “Region-aware Grasp Framework with Normalized Grasp Space for Efficient 6-DoF Grasping,” Proceedings of the 8th Conference on Robot Learning, PMLR 270:1834–1850, 2024. Paper ↗ · arXiv ↗
M. Sundermeyer, A. Mousavian, R. Triebel, and D. Fox, “Contact-GraspNet: Efficient 6-DoF Grasp Generation in Cluttered Scenes,” 2021 IEEE International Conference on Robotics and Automation, 2021. DOI ↗
S. Kumra and C. Kanan, “Robotic Grasp Detection Using Deep Convolutional Neural Networks,” 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems, 2017. DOI ↗
R. Xu, F.-J. Chu, and P. A. Vela, “GKNet: Grasp Keypoint Network for Grasp Candidates Detection,” The International Journal of Robotics Research, 2022. DOI ↗
I. Lenz, H. Lee, and A. Saxena, “Deep Learning for Detecting Robotic Grasps,” The International Journal of Robotics Research, 2015. DOI ↗