การทำโมเดลการเคลื่อนที่ของหุ่นยนต์นิ่มเป็นความท้าทายเนื่องจากวัสดุมีความไม่แน่นอนสูง งานวิจัยนี้เสนอเฟรมเวิร์ก SOFTMAP ที่รวมการเรียนรู้จากระบบจำลองสู่โลกจริง (Sim-to-Real) โดยมีองค์ประกอบหลักคือการใช้เทคนิค ARAP (As-Rigid-As-Possible) เพื่อจัดตำแหน่งข้อมูล Point Cloud จากการจำลองและของจริงให้ตรงกัน
ระบบใช้โมเดล MLP ขนาดเล็กที่ฝึกฝนด้วยข้อมูลจำลองร่วมกับเครือข่าย Residual Correction ที่ปรับแก้ข้อผิดพลาดจากข้อมูลจริงเพียงเล็กน้อย ทำให้สามารถทำนายรูปร่างของหุ่นยนต์ได้แม่นยำมาก (คลาดเคลื่อนเพียง 3.786 มม. บนฮาร์ดแวร์จริง) และรองรับการทำงานแบบเรียลไทม์ ซึ่งช่วยเพิ่มโอกาสความสำเร็จในงานที่ต้องใช้ความละเอียดสูง เช่น การควบคุมระยะไกล (Teleoperation) ได้ถึง 36.5%
