抓取显著性图是探索人类抓取技能的重要分析工具,它通常反映了在日常生活中人们对于某一物品不同部位之间的抓取倾向。对同一个目标对象来说,它的某个部位显著性越高,代表人类更习惯或者更倾向于选择该部位来完成抓取操作。抓取显著性在视觉和机器人领域有着许多潜在的应用,例如可以协助机器人完成对目标对象抓取点的选择,从而更好更快地完成抓取等操作。为了得到抓取显著性图,通常需要借助数据集来完成实验的设置、操作及后续处理等过程,所以抓取数据集的质量和内容在很大程度上直接或间接地对抓取显著性图的结果好坏造成了影响。对于机器人抓取来说,精密的视觉系统与灵活机械臂的配合,才能完成一次完美的抓取。虽然目前的机器人抓取技术已经相对完善,但还是存在很多问题,例如抓取路径规划不流畅导致机械臂过于僵直、抓取操作诡异,面向未知物体时不能选择较好的抓取点完成抓取等。人手在完成抓取操作时是一个连续且十分自然的过程,所以让机器人的抓取操作拟人化也成为了我们追求的目标。作为抓取和操纵的基础,人手在接近目标过程中的运动轨迹是十分重要的,现有的抓取数据集都只是侧重于对抓取时接触点的获取,忽视了抓取时手部的形态、位姿以及抓取时的运动轨迹,并且数据集采集的环境设置较为单一,这让数据集缺少了多样性。对于抓取显著性图,之前的学者们已经得到了比较完善的模型的抓取显著性训练集（例如通过目标跟踪、热成像仪等方式记录抓取接触点）,再通过深度学习等方法已经能实现对未知物体显著性图的预测,但由于使用的数据集较为单一,导致对未知物体进行的预测也较为局限,当外界条件发生改变时,前人的工作并不能很好地进行预测。针对以上问题,本文构建了多样性丰富的抓取数据集,并基于该数据集训练神经网络对未知物体抓取显著性进行预测,克服了之前工作的数据集单一、预测结果十分局限的缺陷。具体来说,由于考虑到面向机器人抓取路径规划、抓取点的选择及抓取操作拟人化等因素,我们召集志愿者并制作了抓取数据集,其中不仅记录了抓取时手部关节、接触点等信息,还记录了抓取前手部运动的轨迹信息;对于同一组模型,记录了在不同高度和不同角度下的抓取信息。通过对采集的数据进行筛选和处理后计算得到该模型的抓取显著性,再将已知模型的抓取显著性等信息利用PointNet++进行深度学习,最终实现了能够对未知模型进行更多样的抓取显著性的预测。