Kann ein Roboter lernen, neue Objekte zu greifen, ohne neu trainiert zu werden? Diese Forschung schlägt eine Deep-Learning-Architektur mit erweitertem Speicher vor, um offene Objekterkennung und das gleichzeitige Greifen zu ermöglichen. Der Roboter kann Multi-View-Ansichten eines Objekts als Eingabe verwenden und sowohl die pixelweise Greifkonfiguration als auch eine tiefe, skalen- und rotationsinvariante Darstellung als Ausgabe gemeinsam schätzen. Dieser Ansatz verwendet Meta-Active-Learning für die offene Objekterkennung und behebt das Problem des katastrophalen Vergessens beim Auftreten neuer Objektkategorien. Die erhaltene Darstellung wird dann für die offene Objekterkennung durch eine Meta-Active-Learning-Technik verwendet. Dies ermöglicht es einem Roboter, kontinuierlich Wissen über neue Objektkategorien zu erwerben. Der Ansatz ermöglicht es dem Roboter, neue Objektkategorien schnell mit sehr wenigen Beispielen vor Ort zu erlernen und demonstriert das effektive Greifen von noch nie dagewesenen Objekten. Das System zeigt eine hohe Objekterkennungsgenauigkeit und Greiferfolgsraten in unübersichtlichen Umgebungen und ermöglicht es Robotern, sich effektiv anzupassen und neues Wissen zu erwerben.