การยึดจับถือเป็นหนึ่งในงานทั่วไปและเป็นธรรมชาติที่สุดที่มนุษย์ทำได้ แต่หุ่นยนต์ไม่มีสัญชาตญาณ ดังนั้นการจะทำให้จักรกลทำงานได้แบบมนุษย์ จำเป็นต้องมีระบบที่ทำให้เข้าใจและตอบสนองต่อข้อมูลภาพได้อย่างชาญฉลาด รวมถึงการเรียนรู้เชิงลึก เพื่อตรวจจับประเภทของวัตถุที่อยู่ข้างหน้ารวมทั้งทิศทางของวัตถุ