本研究提出了一种结合认知科学的新方法，以评估人工智能的物体理解能力，旨在解决功能整合不足的问题，为实现具备真实物体理解能力的通用人工智能提供新思路。

本研究探讨了自我中心视觉理解的挑战与发展趋势，分类了受体理解、物体理解、环境理解和混合理解等任务，并指出其在增强现实和虚拟现实中的潜在应用影响。

本研究提出GLOVER框架，旨在解决机器人在开放词汇操作中对物体可抓取部分的推理挑战。通过微调大型语言模型，GLOVER能够在RGB特征空间内预测可抓取部件，从而提升物体理解和工具使用的精度。研究结果表明，GLOVER在实际场景中的物体部件识别成功率为86.0%，抓取成功率为76.3%，显著优于现有技术。