98%的情況下機器人抓取都是成功的。訓練機器人如何在不掉落的情況下抓住各種物體，通常需要大量的練習。

不過，加州大學伯克利分校和西門子的研究人員聯合設計并在即將發表的論文中描述了*款新型的機器人，它可以通過研究*個3D形狀的數據庫來學習如何抓牢新物體。該機器人連接了*個3D傳感器和*個可以*度學習神經網絡，研究人員就是通過這兩者來為其提供物體的圖像信息。這些信息包括物體形狀、視覺外觀以及如何抓住它們的物理知識。

因此，當*個新物體放置在機器人面前時，后者只需將物體與數據庫中的*個類似對象做相應的匹配。在實際操作中，當機器人有*過50%的自信能夠抓住*個新物體時，98%的情況下都會取得成功。不過要是機器人的自信不足50%，它就會*試探性地抓取這個物體，然后形成*個抓取策略。在這種情況下，機器人有99%成功的機會。所以克服機器人缺乏自信的方法就是做*個快速的小檢查。

這種訓練方法可以減少大量機器學習的時間，并且使機器人變得更加靈活。Jeff Mahler，*位研究這個項目的博士后向麻省理工科技技術評論表示“我們可以在*天內為*度神經網絡生成足夠的訓練數據，從而*去了在*個真*的機器人上運行幾個月物理實驗的麻煩。”目前在工廠中投入使用的機器人對已知物體的抓取已經非常精確，但是其面對新物體時仍不能很好的適應。這種訓練策略的效率和機器人握力的可靠性使該方法在未來的商業應用中能夠很好地發揮作用。