整個流程涉及很多技術。底層控制不做考慮。包含3D視覺，機器人規劃，抓取位置的選擇等。
機械臂抓取需要確定每段機械臂的位姿
首先，機械臂需要視覺伺服系統，來確定物體的位置，根據末端執行器（手）和視覺傳感器（眼）的相對位置，可分為Eye-to-Hand和Eye-in-Hand兩種系統。
Eye-to-Hand的分離式分布，視野固定不變，如果相機的標定精度高的話，那么視覺定位于抓取的精度也越高。
Eye-in-Hand則將機械臂與視覺傳感器固定在一起，視野隨機械臂的移動而改變，傳感器越近時精度越高，但過于靠近時則可能使目標超出視野范圍。
精密的視覺系統與靈活機械臂的配合，才能完成一次完美的抓取，而這正是當前機器人操作中的核心難題，歸納起來就是這么一件事：找到合適的抓取點（或吸附點），抓住它。之后的轉運執行，則屬于運動規劃的分支。
目前幾種主流的解決方案
Model-based（基于模型的方法）
這種方法很好理解，即知道要抓什么，事先采用實物掃描的方式，提前將模型的數據給到機器人系統，機器在實際抓取中就只需要進行較少的運算：
1. 離線計算：根據搭載的末端類型，對每一個物體模型計算局部抓取點；
2. 在線感知：通過RGB或點云圖，計算出每個物體的三維位姿；
3. 計算抓取點：在真實世界的坐標系下，根據防碰撞等要求，選取每個物體的最佳抓取點。
RGB顏色空間由紅綠藍三種基本色組成，疊加成任意色彩，同樣地，任意一種顏色也可以拆解為三種基本色的組合，機器人通過顏色坐標值來理解“顏色”。這種方式與人眼識別顏色的方向相似，在顯示屏上廣泛采用。
Half-Model-based（半模型的方法）
在這種訓練方式中，不需要完全預知抓取的物體，但是需要大量類似的物體來訓練算法，讓算法得以在物品堆中有效對圖像進行“分割”，識別出物體的邊緣。這種訓練方式，需要這些流程：
1.離線訓練圖像分割算法，即把圖片里的像素按物體區分出來，此類工作一般由專門的數據標注員來處理，按工程師的需求，標注出海量圖片中的不同細節；
2.在線處理圖像分割，在人工標注出的物體上，尋找合適的抓取點。
這是一種目前應用較為廣泛的方式，也是機械臂抓取得以推進的主要推力。機械臂技術發展緩慢，但計算機視覺的圖像分割則進展迅速，也從側面撬動了機器人、無人駕駛等行業的發展。
Model-free（自由模型）
這種訓練方式不涉及到“物體”的概念，機器直接從RGB圖像或點云圖上計算出合適的抓取點，基本思路就是在圖像上找到Antipodal（對映點），即有可能“抓的起來”的點，逐步訓練出抓取策略。這種訓練方式往往讓機器手大量嘗試不同種類的物品，進行self-supervisedlearning，Google的Arm Farm，即為其中的代表之一。
從抓取方法上分類可以分成兩種：基于分析方法（Analytical），基于數據驅動（Data-driven）。
分析方法：主要是基于動力學及幾何學的分析，一般要求知道物體的模型（known object），集大成之作為李澤湘教授的《機器人操作的數學導論》。書中基于旋量理論，介紹了很多機器人manipulation的基礎。分析方法有助于我們理解整個抓取過程，理解哪些物理量會影響抓取的穩定性。