Meta的NeuralFeels技术使机械手能够自学操作未知物体，精度提升94%。该技术结合触觉与视觉，克服了传统训练对视觉的依赖，显著提高了物体重建和姿态跟踪的准确性，尤其在复杂环境中表现突出。

本文介绍了多种基于神经辐射场（NeRF）的方法，如D-NeRF、NARF和AutoRF，旨在改进动态场景中的物体重建和渲染。这些方法通过不同技术实现了对物体形状、外观和姿态的精准估计，展现了在真实场景中的强大泛化能力和新视图合成性能。

本文提出了一种新方法，通过预训练的文字转图像模型生成多视角图像，结合3D体渲染和跨帧注意力层，显著提升3D图像的一致性和视觉质量。研究表明，该方法在3D物体重建上优于现有技术，减少了误差并提高了性能。

本文介绍了多种基于触觉传感技术的研究，包括深度触觉模型、触觉显著性预测、模拟器TACTO及事件驱动的视觉触觉感知系统。这些研究旨在提升机器人在物理交互中的感知能力和控制精度，强调了触觉反馈在场景预测和物体重建中的重要性。

该研究提出了一种自我监督的交互感知方法SM$^3$，用于重建机器人领域中的物体和估计其可移动关节结构。该方法利用多视角RGB图像建模关节物体、识别可移动组件和推断旋转关节参数。研究还引入了MMArt数据集，评估结果显示SM$^3$在各个类别和物体上优于现有基准，并在现实场景中得到了验证。