机器人抓取规划在理想条件下成功率很高，但实际应用中传感器噪声、物体形状变化等因素会导致性能下降。传统方法通常依赖触觉传感器在抓取后检测稳定性，但这需要接触物体并完成抓取动作，效率较低。针对这一问题，俄勒冈州立大学的研究人员Kyle DuFrene和Cindy Grimm提出了一种全新的非接触式抓取稳定性预测方法，利用安装在夹爪远端的多区域飞行时间（ToF）传感器。该方法无需实际抓取物体，仅通过传感器测量物体与夹爪之间的空间信息，即可在抓取前预测稳定性，从而显著加快分类过程，循环频率达到15赫兹。
研究团队在15种不同形状和材质的物体上收集了超过2500次真实抓取数据，用于训练分类器。此外，他们还对6种未见过的物体进行了抓取尝试，其中3个用于验证和模型选择，另外3个用于最终测试。实验结果显示，该方法在验证集上达到了85.5%的准确率，在测试集上达到了86.0%的准确率，表现出较强的分类性能。这一技术有望提高机器人在嘈杂环境中的抓取鲁棒性和效率，为自动化仓储、家庭服务等应用场景提供新的解决方案。