根據抓取的表示，應用場合等可以將機器人抓取分爲2D平面抓取和6-DoF空間抓取，各自又包含很多方法，下面一一介紹。
1 2D 平面抓取：
適合工業抓取，場景是機械臂豎直向下，從單個角度去抓，抓取通常由平面內的抓取四邊形，以及平面內的旋轉角度表示（Oriented 2D rectangle）：
根據使用的數據RGB/Depth不同，又可以分爲以下三類：基於RGB，基於RGB+Depth，和基於Depth。
1.1 基於RGB的抓取估計
數據集包括：Cornell數據集（http://pr.cs.cornell.edu/grasping/rect_data/data.php）和Jacquard數據集https://jacquard.liris.cnrs.fr/，爲 人工構建；
基於以上的數據集，出現了很多方法，代表作是2014-Deep Learing for Detecting Robotic Grasps，2014-Real-Time Grasp Detection Using Convolutional Neural Networks，2018-Real-world Multi-object, Multi-grasp Detection等，首先生成大量抓取框候選，再進一步優化得到最終抓取；
亞馬遜論文2015-Supersizing Self-supervision: Learning to Grasp from 50K Tries and 700 Robot Hours使用機器自動採集訓練集，訓練了一個平面抓取估計算法，其數據集如下：
1.2基於RGB+Depth的抓取估計
這類方法本質上與與RGB方法一致，只是多了Depth通道的信息，代表方法有2017-Robotic Grasp Detection using Deep Convolutional Neural Networks等。
1.3 基於Depth的抓取估計
代表性方法是2017-Dex-Nex 2.0 Deep Learning to Plan Robust Grasps with Synthetic Point Clouds and Analytic Grasp Metrics，https://berkeleyautomation.github.io/dex-net/，該方法自己構建基於深度圖的抓取質量數據集，訓練得到抓取質量評估網絡。在線使用時，採集當前視角下的深度圖，分割目標物體對應的深度圖，在深度圖上生成上百個候選抓取位置，得到上百個抓取位置下的深度圖，每一個都得到一個抓取質量，選擇質量最高的進行抓取。其數據集和算法流程如下圖所示。
1.4 總結
這類方法適合固定場合下，從單個角度進行抓取。訓練數據生成時，每個物體在平面內的放置情況是有概率分佈的；而如果擴展到任意視角下，很多視角下的數據在訓練集中不存在；任意角度下，網絡本身也不一定能夠學習到適合抓取的位置。因此，該類方法不適合從任意角度進行抓取。
2 6DoF空間抓取：
平面抓取首先於只能從單個角度去抓，如果想更加靈活，需要獲取6DoF的抓取姿態，如下圖。
2.1 代表性方法
近年來的代表性方法包括2017-Grasp Pose Detection in Point Clouds，2018-PointNetGPD： Detecting Grasp Configurations from Point Sets，2019-6-Dof GraspNet：Variational Grasp Generation for Object Manipulation等，都包含兩大模塊：候選抓取位置的篩選，以及抓取質量的評估。這類方法思路與Dex-Net2.0相同，但是作用在3D空間。
2017-GPD使用傳統方法進行候選抓取位置的篩選，需要滿足抓取器不與物體碰撞，且抓取器內部至少存在一個點；之後基於三個角度下Depth圖像基於CNN網絡等進行抓取質量估計，如下圖所示。
2018-PointNetGPD (Hamberger University, Jianwei Zhang)也使用傳統方法篩選候選抓取位置，之後不使用深度圖評估抓取質量，而是使用抓取器內部的點雲，使用3D神經網絡PointNet進行抓取質量估計，如下圖所示。
2019-6-Dof GraspNet (Nvidia)，對兩大模塊進行了改進，首先使用大規模虛擬數據進行候選抓取位置的Encoder，這樣給定單視角下的點雲，能夠Decoder出少量質量很高的候選抓取位置；其次，不同於PointNetGPD只對抓取器內部的點雲進行抓取質量評估，其對抓取器連同單視角點雲，一起使用PointNet++網絡評估抓取質量；最後還對最終抓取位置進行了優化。其框架如下圖。
2.2 總結
進行空間6-Dof抓取，需要進行實例分割，確保點雲準確，噪聲少，否則影響效果；訓練可在虛擬環境中進行，只要虛擬環境中的3D模型精確，則不使用domain adaption也能在真實環境下得到很好的結果。
該類方法適合任意角度的抓取，然而該類方法的弊端是，儘管使用了Encoder和Decoder的方式生成候選抓取位置，但是單個角度下獲得的數據畢竟有限，而如果能夠對物體進行補全，則使用傳統方法生成候選抓取位置也能夠得到很好的結果。這類方法在下一章介紹。
3 形狀補全：
3.1代表方法
這類方法也有很多的嘗試，代表方法主要有：2017-Shape Completion Enabled Robotic Grasping，2019-Multi-Modal Geometric Learning for Grasping and Manipulation，2019-Data-Efficient Learning for Sim-to-Real Robotic Grasping using Deep Point Cloud Prediction Networks，2019-kPAM-SC: Generalizable Manipulation Planning using KeyPoint Affordance and Shape Completion等。
2017-Shape Completion Enabled Robotic Grasping是代表性方法，使用3D CNN進行shape completion，其框圖如下。
2019-Multi-Modal Geometric Learning for Grasping and Manipulation, (Peter Allen, Columbia University)，根據觸覺得到對側的點信息，輔助進行修補。
2019-Data-Efficient Learning for Sim-to-Real Robotic Grasping using Deep Point Cloud Prediction Networks（Google Brain and X）使用RGB+Depth作爲輸入的網絡結構，進行形狀補全；Video demos can be accessed via https://sites.google.com/site/shapeawaresimtoreal/
2019-kPAM-SC: Generalizable Manipulation Planning using KeyPoint Affordance and Shape Completion (MIT) 使用關鍵點以及同一類型的3D模型輔助進行形狀補全，Video demos can be accessed via https://sites.google.com/view/generalizable-manipulation/
3.2 總結
這類方法能夠對一類相似的形狀得到不錯的修補結果，無法做到任意通用；但如果能夠對一類物體進行了較好的修補，則進行候選抓取位置估計，以及抓取質量評價都可以使用傳統方法。
4 人形抓手
以上方法針對的都是平行兩指抓取器，而當前絕大多數方法，都沒有考慮人形抓手，因爲其自由度太高了。做不到任意抓取以及通用，然而針對少量物體，或者一類物體，可以得到較好的結果。
4.1代表方法
2019-Generating Grasp Poses for a High-DOF Gripper Using Neural Networks（Xu Kai, NUDT and University of Maryland at College Park）：
針對25DoF的手形抓取器，依賴完整物體體素模型，訓練集使用GraspIt!生成，如下圖，之後使用神經網絡訓練模型得到抓取姿態，其框架如下圖。
4.2 總結
使用人形抓手進行通用抓取太難了，現階段實現不了。可以針對特定一類物體，實現類內的通用抓取。