หุ่นยนต์แบบไฮบริดที่สามารถทั้งวิ่งบนพื้นและบินในอากาศได้มักประสบปัญหาเรื่องการจัดการพลังงาน โดยเฉพาะเมื่อต้องเผชิญกับพื้นที่ต่างระดับ เช่น บันได ซึ่งการใช้ล้อเพียงอย่างเดียวอาจติดขัด ส่วนการบินก็ใช้พลังงานสูงเกินไป งานวิจัยนี้จึงนำเสนอโครงสร้างการเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) ที่ช่วยให้หุ่นยนต์สามารถตัดสินใจใช้ใบพัดและล้อร่วมกันได้อย่างต่อเนื่องโดยไม่ต้องแยกโหมดการทำงาน
ผลการทดสอบในสภาพจำลองพบว่านโยบายการควบคุมที่เรียนรู้นี้ช่วยลดการใช้พลังงานได้ถึง 4 เท่าเมื่อเทียบกับการบินเพียงอย่างเดียว และเมื่อนำไปทดสอบกับหุ่นยนต์ต้นแบบ DoubleBee ในการข้ามสิ่งกีดขวางระดับ 8 เซนติเมตร พบว่าใช้กำลังไฟฟ้าน้อยกว่าระบบควบคุมแบบเดิมถึง 38% ซึ่งพิสูจน์ให้เห็นว่าการใช้ AI ควบคุมการทำงานของมอเตอร์หลายประเภทพร้อมกันช่วยเพิ่มประสิทธิภาพการใช้งานในโลกจริงได้
