ในการจัดการหุ่นยนต์ที่มีการสัมผัสกับวัตถุบ่อยครั้ง (Contact-rich manipulation) เช่น การผลักวัตถุหรือการขยับสิ่งของในมือ มักประสบปัญหาเรื่องความซับซ้อนของมิติข้อมูลและสภาวะพลวัตที่คาดเดายาก งานวิจัยล่าสุดได้นำเสนอ Global-MPPI ซึ่งเป็นเฟรมเวิร์กการเพิ่มประสิทธิภาพวิถีการเคลื่อนที่ (Trajectory Optimization) ที่ออกแบบมาเพื่อแก้ปัญหานี้โดยเฉพาะ
หัวใจสำคัญของ Global-MPPI คือการรวมเอาการสำรวจพื้นที่ทางเลือกในระดับโลก (Global Exploration) เข้ากับการปรับแต่งในระดับท้องถิ่น (Local Refinement) โดยใช้เทคนิค Kernel Sum-of-Squares เพื่อระบุพื้นที่ที่มีแนวโน้มดีที่สุดในช่องว่างของคำตอบ ร่วมกับการใช้กลยุทธ์ Graduated Non-convexity เพื่อช่วยให้การคำนวณผ่านพ้นจุดอุปสรรคในสภาพแวดล้อมที่ไม่เรียบเนียน จากนั้นจึงใช้ Model-predictive Path Integral (MPPI) ในการขัดเกลาการเคลื่อนที่ให้แม่นยำยิ่งขึ้น ผลการทดสอบแสดงให้เห็นว่าแนวทางนี้สามารถค้นหาคำตอบที่มีคุณภาพสูงได้เร็วกว่าและมีค่าใช้จ่ายในการดำเนินงานต่ำกว่าวิธีการเดิมอย่างมีนัยสำคัญ
