การสร้างตัวแทนของข้อมูลเชิงพื้นที่ในรูปแบบ '3D Scene Graphs' ช่วยให้หุ่นยนต์เข้าใจความสัมพันธ์ของวัตถุได้ดี แต่โครงสร้างกราฟมักจะมีขนาดใหญ่และซับซ้อนเกินความจำเป็นสำหรับการทำงานเฉพาะอย่าง ซึ่งเป็นอุปสรรคต่อการนำไปใช้ในอุปกรณ์ที่มีทรัพยากรจำกัด วิทยานิพนธ์ฉบับนี้จึงศึกษาการนำ Graph Neural Networks (GNNs) มาใช้เพื่อดึงเฉพาะส่วนของกราฟที่สัมพันธ์กับงานที่ต้องทำออกมา
งานวิจัยนี้รวมถึงการสร้างเกณฑ์มาตรฐาน (Benchmark) สำหรับเปรียบเทียบประสิทธิภาพระหว่างตัววางแผนงานแบบดั้งเดิมกับวิธีการใหม่ ผลลัพธ์แสดงให้เห็นว่าการเรียนรู้ตัวแทนข้อมูลที่เน้นความสัมพันธ์ของโครงสร้างช่วยให้การวางแผนงานของหุ่นยนต์ในระบบ AI มีประสิทธิภาพและรวดเร็วยิ่งขึ้น
