ปัญหาความหน่วง (Latency) ในการประมวลผลของระบบหุ่นยนต์มักทำให้การสั่งการล่าช้ากว่าสถานการณ์จริง โดยเฉพาะในงานที่ต้องตอบสนองแบบเรียลไทม์กับวัตถุที่เคลื่อนที่ งานวิจัยนี้จึงเสนอ F2F-AP (Flow-to-Future Asynchronous Policy) ซึ่งเป็นเฟรมเวิร์กใหม่ที่ใช้การวิเคราะห์การไหลของวัตถุ (Object Flow) เพื่อสังเคราะห์ภาพสถานะที่จะเกิดขึ้นในอนาคต
ระบบนี้ใช้เทคนิค Contrastive Learning เพื่อปรับการแสดงผลฟีเจอร์จากภาพที่ทำนายไว้ให้ตรงกับสถานะจริงที่จะเกิดขึ้น ทำให้หุ่นยนต์สามารถวางแผนการเคลื่อนที่ล่วงหน้า (Proactive Planning) และชดเชยค่าความหน่วงที่เกิดขึ้นในระบบได้อย่างมีประสิทธิภาพ จากการทดสอบพบว่าสามารถเพิ่มอัตราความสำเร็จในงานหยิบจับหรือจัดการวัตถุที่มีการเคลื่อนที่ตลอดเวลาได้อย่างมีนัยสำคัญ
