NVIDIA的6-DoF GraspNet運算框架運作模式，將可讓機器手臂透過影像識別方式判斷空間中的X、Y、Z軸座標，以及加入旋轉動作形成總計6個軸度數據，藉此能更快對應判斷位處不同空間位置的物體，也透過握持評估模式，讓機器手臂可透過不同力道測試，藉此評估可實際持握物體應使用力道，進而成功抓取物件，並且能避免施力過度而將物體夾碎的情況。
在現行針對機器手臂抓取真實場景中的物體過程中，通常會在機器手臂裝置攝影鏡頭，透過影像識別方式判斷物件所在，藉此調整機器手臂運作位置，但是最大難度則在於如何控制機器手臂抓取物體力道，而NVIDIA提出的6-DoF GraspNet運算框架，讓機器手臂能以更快效率學會如何抓取空間中任一位置的物體。
依照6-DoF GraspNet運算框架運作模式，將可讓機器手臂透過影像識別方式判斷空間中的X、Y、Z軸 (左右、前後、高低)座標，以及加入旋轉動作形成總計6個軸度數據，藉此能更快對應判斷位處不同空間位置的物體，避免物體位置改變後，機器手臂必須透過重新學習進行判斷，使得工作效率變慢。
就NVIDIA說明，在此運算框架運作模式下，機器手臂可以透過即時視覺判斷物體所在位置，其中更藉由基於粒子模擬運算技術的FleX評估模式，讓機器手臂可透過實際量測數據進行判斷，即便未事先進行深度學習訓練也能快速判斷物體實際位置。
另一方面，針對機器手臂抓取物體的部份也透過握持評估模式，讓機器手臂可透過不同力道測試，藉此評估可實際持握物體應使用力道，進而成功抓取物件，並且能避免施力過度而將物體夾碎的情況。
此項技術更可透過模組化應用在不同場景，甚至也能與其他運算框架並用，藉此讓機器手臂能以更精確動作完成任務。
這樣的應用，不僅能讓機器手臂能有更精準運作，更可讓機器手臂應用在貨物分類等應用時，可以減少機器手臂不當損壞貨品問題，藉此讓無人商店、智慧倉儲等應用更為普及。
