该文综述视觉与触觉多模态表示学习研究，涵盖：以自监督学习触觉—视觉紧凑表示提升高维输入控制策略的样本效率，并在仿真与真实机器人实验中验证鲁棒性与泛化能力；利用条件生成对抗网络实现视觉与触觉图像跨模态生成；提出掩码多模态学习（M3L）联合学习策略与表示；融合视觉和触觉反馈预测动态场景物体运动；结合内部数据属性与跨模态语义的对比损失改进视觉表示；提出触觉适应视觉奖励框架TAVI；提出深度最大协方差分析（DMCA）学习共享潜在空间实现纹理识别；从多视角无标注视频演示中学习视觉表示；将触觉传感引入视频预测模型。