根据抓取的表示，应用场合等可以将机器人抓取分为2D平面抓取和6-DoF空间抓取，各自又包含很多方法，下面一一介绍。
1 2D 平面抓取：
适合工业抓取，场景是机械臂竖直向下，从单个角度去抓，抓取通常由平面内的抓取四边形，以及平面内的旋转角度表示（Oriented 2D rectangle）：
根据使用的数据RGB/Depth不同，又可以分为以下三类：基于RGB，基于RGB+Depth，和基于Depth。
1.1 基于RGB的抓取估计
数据集包括：Cornell数据集（http://pr.cs.cornell.edu/grasping/rect_data/data.php）和Jacquard数据集https://jacquard.liris.cnrs.fr/，为 人工构建；
基于以上的数据集，出现了很多方法，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选，再进一步优化得到最终抓取；
亚马逊论文2015-Supersizing Self-supervision: Learning to Grasp from 50K Tries and 700 Robot Hours使用机器自动采集训练集，训练了一个平面抓取估计算法，其数据集如下：
1.2基于RGB+Depth的抓取估计
这类方法本质上与与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 基于Depth的抓取估计
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/，该方法自己构建基于深度图的抓取质量数据集，训练得到抓取质量评估网络。在线使用时，采集当前视角下的深度图，分割目标物体对应的深度图，在深度图上生成上百个候选抓取位置，得到上百个抓取位置下的深度图，每一个都得到一个抓取质量，选择质量最高的进行抓取。其数据集和算法流程如下图所示。
1.4 总结
这类方法适合固定场合下，从单个角度进行抓取。训练数据生成时，每个物体在平面内的放置情况是有概率分布的；而如果扩展到任意视角下，很多视角下的数据在训练集中不存在；任意角度下，网络本身也不一定能够学习到适合抓取的位置。因此，该类方法不适合从任意角度进行抓取。
2 6DoF空间抓取：
平面抓取首先于只能从单个角度去抓，如果想更加灵活，需要获取6DoF的抓取姿态，如下图。
2.1 代表性方法
近年来的代表性方法包括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，都包含两大模块：候选抓取位置的筛选，以及抓取质量的评估。这类方法思路与Dex-Net2.0相同，但是作用在3D空间。
2017-GPD使用传统方法进行候选抓取位置的筛选，需要满足抓取器不与物体碰撞，且抓取器内部至少存在一个点；之后基于三个角度下Depth图像基于CNN网络等进行抓取质量估计，如下图所示。
2018-PointNetGPD (Hamberger University, Jianwei Zhang)也使用传统方法筛选候选抓取位置，之后不使用深度图评估抓取质量，而是使用抓取器内部的点云，使用3D神经网络PointNet进行抓取质量估计，如下图所示。
2019-6-Dof GraspNet (Nvidia)，对两大模块进行了改进，首先使用大规模虚拟数据进行候选抓取位置的Encoder，这样给定单视角下的点云，能够Decoder出少量质量很高的候选抓取位置；其次，不同于PointNetGPD只对抓取器内部的点云进行抓取质量评估，其对抓取器连同单视角点云，一起使用PointNet++网络评估抓取质量；最后还对最终抓取位置进行了优化。其框架如下图。
2.2 总结
进行空间6-Dof抓取，需要进行实例分割，确保点云准确，噪声少，否则影响效果；训练可在虚拟环境中进行，只要虚拟环境中的3D模型精确，则不使用domain adaption也能在真实环境下得到很好的结果。
该类方法适合任意角度的抓取，然而该类方法的弊端是，尽管使用了Encoder和Decoder的方式生成候选抓取位置，但是单个角度下获得的数据毕竟有限，而如果能够对物体进行补全，则使用传统方法生成候选抓取位置也能够得到很好的结果。这类方法在下一章介绍。
3 形状补全：
3.1代表方法
这类方法也有很多的尝试，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进行shape completion，其框图如下。
2019-Multi-Modal Geometric Learning for Grasping and Manipulation, (Peter Allen, Columbia University)，根据触觉得到对侧的点信息，辅助进行修补。
2019-Data-Efficient Learning for Sim-to-Real Robotic Grasping using Deep Point Cloud Prediction Networks（Google Brain and X）使用RGB+Depth作为输入的网络结构，进行形状补全；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) 使用关键点以及同一类型的3D模型辅助进行形状补全，Video demos can be accessed via https://sites.google.com/view/generalizable-manipulation/
3.2 总结
这类方法能够对一类相似的形状得到不错的修补结果，无法做到任意通用；但如果能够对一类物体进行了较好的修补，则进行候选抓取位置估计，以及抓取质量评价都可以使用传统方法。
4 人形抓手
以上方法针对的都是平行两指抓取器，而当前绝大多数方法，都没有考虑人形抓手，因为其自由度太高了。做不到任意抓取以及通用，然而针对少量物体，或者一类物体，可以得到较好的结果。
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）：
针对25DoF的手形抓取器，依赖完整物体体素模型，训练集使用GraspIt!生成，如下图，之后使用神经网络训练模型得到抓取姿态，其框架如下图。
4.2 总结
使用人形抓手进行通用抓取太难了，现阶段实现不了。可以针对特定一类物体，实现类内的通用抓取。