นักวิจัยเสนอ ENAP (Emergent Neural Automaton Policy) ซึ่งเป็นแนวทางการเรียนรู้ของหุ่นยนต์แบบ bi-level neuro-symbolic โดยระบบนี้จะสกัดโครงสร้างเชิงสัญลักษณ์ออกมาจากข้อมูลการสาธิต (visuomotor demonstrations) โดยอัตโนมัติ กระบวนการเริ่มจากการใช้การจัดกลุ่มแบบปรับตัว (adaptive clustering) และอัลกอริทึม L* เพื่อสร้าง Mealy state machine ซึ่งทำหน้าที่เป็นตัววางแผนระดับสูงที่ตีความได้ จากนั้นโครงสร้างนี้จะช่วยไกด์โครงข่ายประสาทเทียมระดับล่างให้ควบคุมการเคลื่อนไหวได้อย่างแม่นยำ
ผลการทดสอบแสดงให้เห็นว่า ENAP สามารถจัดการกับภารกิจที่ต้องใช้การวางแผนระยะยาวได้ดีกว่าโมเดล VLA แบบ end-to-end ทั่วไป โดยเฉพาะในกรณีที่มีข้อมูลจำกัด ซึ่งให้ประสิทธิภาพสูงกว่าถึง 27% โดยไม่จำเป็นต้องมีการติดฉลากข้อมูลภารกิจล่วงหน้า
