ในอุตสาหกรรมการเกษตร หุ่นยนต์เก็บเกี่ยวผลไม้มักประสบปัญหาความล่าช้าจากการคำนวณหาทางเข้าถึงเป้าหมายที่ซับซ้อน (Inverse Kinematics) งานวิจัยนี้จึงเปลี่ยนแนวทางมาเป็นการใช้ Active Learning ร่วมกับการรับรู้แบบ RGB-D เพื่อให้หุ่นยนต์ 'เรียนรู้' ที่จะตัดสินใจได้ทันทีว่าผลไม้ที่เห็นนั้นสามารถเก็บได้จริงหรือไม่
ผลการทดสอบแสดงให้เห็นว่าระบบสามารถเรียนรู้ได้ด้วยจำนวนข้อมูลที่น้อยลงแต่มีความแม่นยำสูงกว่าการสุ่มข้อมูลแบบปกติถึง 6-8% โดยเฉพาะการใช้กลยุทธ์ Entropy-based sampling ที่ช่วยให้หุ่นยนต์เลือกเรียนรู้จากกรณีที่ตัดสินใจยากที่สุดก่อน วิธีนี้ช่วยลดภาระในการประมวลผลและทำให้หุ่นยนต์ทำงานในไร่จริงได้อย่างมีประสิทธิภาพมากขึ้น
