本研究提出了一种基于强化学习的新方法，有效解决了关节物体操控中的仿真到现实转移问题，成功率达到84%，显著缩小了仿真与现实之间的差距。

本研究针对家庭场景中操控关节物体的挑战，构建了大规模数据集，提升了深度感知和交互姿势预测的性能，推动了关节物体操控的研究进展。

本文介绍了一种无监督学习物体及其部件关系的物理推理方法，提出了大规模关节物体知识库AKB-48和C-VAM任务，以提升物体理解能力。同时，研究探讨了自然语言模型对物理概念的理解，并提出了SAGE框架，实现关节物体的多样化操作。

本文提出了一种基于自监督学习的方法，通过彩色图像学习关节物体的几何、外表和动作表示，实现独立控制。该方法无需形态学注释，仅依赖2D观测，能够更精准地恢复物体形状和外观，适用于少样本重建和新视角生成等应用。研究表明，该方法在准确性和稳定性上优于传统3D监督方法。