每章概述了团队选择硬件组件和软件方法背后的理念和战略。各团队对总体系统设计进行了描述，并详细地讨论了识别与姿态确定算法、硬件和软件抓取策略、运动规划方法和错误恢复技术。

CVAP队在2015年亚马逊拣选挑战赛（APC）上的移动分拣系统
杭凯宇，弗朗西斯科·E. 维尼亚·B，米歇尔·科伦奇，卡尔·鲍威尔，亚历山德罗·皮罗潘和丹妮卡·克拉吉奇
UAlberta队：亚马逊拣选挑战赛（APC）课程
卡米洛·佩雷斯·昆特罗，奥斯卡·拉米雷斯，安迪·赫斯，冯荣，马苏德·德赫恩，张宏和马丁·贾格桑德
一种实现仓库自动拣选的软体机器人方法
托马索·帕迪，马蒂亚·波吉亚尼，伊曼努埃尔·卢贝托，亚历山德罗·劳吉，马诺洛·加拉比尼，里卡多·佩西奇尼，曼努埃
尔·朱塞佩·卡塔拉诺，乔治·格里奥利，曼努埃尔·博尼拉和安东尼奥·比奇
2015年亚马逊拣选挑战赛（APC）南洋机器人分拣团队：使用
单个RGB-D图像和组合分类器对杂乱环境中对象的自上而下
（Top-Down）识别方法
艾伯特·考索，赛义德·奥马尔·卡迈勒，斯蒂芬·维达斯和陈义明
KTH队在2016年亚马逊拣选挑战赛（APC）的拣选方案
迪奥戈·阿尔梅达，拉尔斯·安布罗斯，塞尔吉奥·卡卡莫，陈曦，西尔维娅·克罗西尼，若昂·F. 平托·B. 德·卡瓦略，约书
亚·A. 豪斯坦，莱詹德罗·马尔津诺托，弗朗西斯科·E. 维尼亚·B，伊安尼斯·卡拉伊安尼斯，佩特·厄格伦，帕特里克·詹斯
费尔特和丹妮卡·克莱奇
亚马逊机器人挑战赛（ARC）中物体抓取的端对端（End-to-End）学习
松本英一，斋藤正昭，久米绚香和谭杰洛
2016年APC优胜者Delft队的机器人运动系统工程分析
卡洛斯·赫尔南德斯·科尔巴托，穆昆达·巴拉特希沙
站在巨人的肩膀上：新人参加2017年亚马逊机器人挑战赛的经验
古斯塔沃·阿方索·加西亚·里卡德斯，洛特菲·埃尔·哈菲和费利克斯·冯·德里加斯基
C2M团队在2016年亚马逊拣选挑战赛（APC）执行拣货和装货任务的
两个协作机器人
藤井裕彦，山下隆彦，秋木秀一，桥本万部，多美玉，川上隆，藤田正彦，小岛良司和白川方孝
IITK-TCS团队在2017年参加亚马逊机器人挑战赛（ARC）参赛作品
系统描述
阿尼玛·马吉姆德，奥利维亚·昆都，萨姆拉特·杜塔，斯瓦加特·库马尔和拉斯米达尔·贝赫拉
设计Cartman：一个参加2017年亚马逊机器人挑战赛（ARC）的
笛卡尔机械臂
于尔艮·莱特纳，道格拉斯·莫里森，安东·米兰，诺顿·凯利-博索尔，马修·麦克塔加特，亚当·W. 托和彼得·科克

本书旨在汇集亚马逊拣选挑战赛（APC）中
所展示或应用的思想和解决方案。从2015年到
2017年，共有50多个独立团队参与挑战。在3年
的时间内，这些团队从竞赛初期的没有任何共同
点，到竞赛结束时参与的机器人工程师和科学家
已形成一个非正式的社区，共同分享在电子商务
和仓库现实场景中机器人问题的解决之道。
亚马逊机器人公司从2015年开始组织亚马
逊拣选挑战赛，随着时间的推移，比赛逐渐演变
成参与者共同努力来解决机器人拣选中的实际问
题，目的是促进产业发展而非学术探究。本书文
章按年份排列，以展示挑战问题和解决方案的发
展过程，反映机器人工业应用的迫切需求。
每章概述了团队选择硬件组件和软件方法
背后的理念和战略。各团队对总体系统设计进行
了描述，并详细地讨论了识别与姿态确定算法、
硬件和软件抓取策略、运动规划方法和错误恢复
技术。
我们希望本书能为那些热衷于机器人自动
拣选问题的人提供有启发性的资料。本书包括获
胜队伍的论文，作者分享的自己的相关经验，这
对每一个有意于该主题的人都是一个好的起点。
我们要感谢为本书提供帮助的所有团队。
众所周知，当事情发生的几年后再写出当年自己
的经历和心得并不容易。我们也要感谢在每次赛
后研讨会上分享经验和专业知识的团队。最后也
是最重要的，我们衷心感谢亚马逊机器人公司，
它通过对比赛的支持，推动了机器人技术的发展
，有助于专业人员集中精力研究物品分拣等现有
的行业痛点。

更灵活地拣选和放置物品可能是未来研究的一个关键课题。APC 的目的是分析和讨论建立机器人系统的技术问题，分析它们的性能并使它们彼此竞争。在这种目的成为现实之前，仍有各种问题必须克服，比赛公开分享知识就是为了促进关键问题的解决。人们希望通过 APC 在机器人分拣技术方面取得重大进展。

我们还描述了提出的系统的两个
特性，即吸力工具和存储系统，这两个特性对比赛表现起到了重要作用。
我们在 2017 年 ARC 的经验总结如下：
（1）考虑以前竞争对手的经验，避免犯类似错误。
（2）从使用过去竞争对手的代码和数据集开始。
（3）保持简单，只做必要的事情。过度的设计和不必要的冗余会使系统
更容易发生故障。
（4）使用 Git、Docker 和 ROS 等工具促进开发和从意外错误中恢复。
（5）从可快速迭代的最小系统开始，以缩短原型和开发周期。
（6）开发强大的错误恢复系统，因为感知和操作错误以及其他不确定性
是不可避免的。
（7）避免在最后一分钟修改代码，因为这会导致人为错误。
（8）考虑照明因素，因为这会严重影响对场馆内物体的识别性能。
（9）防止传感器过热并预测稳定性问题。
（10）从一开始就考虑物流工作，因为运输机器人通常很耗时。