งานวิจัยนี้นำเสนอแนวทางการควบคุมหุ่นยนต์ในงานที่ต้องสัมผัสกับวัตถุอ่อนนุ่มหรือเปลี่ยนรูปได้ (Deformable Objects) เช่น ของเหลวและผ้า ซึ่งเป็นงานที่ท้าทายเนื่องจากมีความซับซ้อนทางพลศาสตร์สูง ระบบที่พัฒนาขึ้นคือตัวกรองความปลอดภัยออนไลน์ (Online Safety Filter) ที่ทำงานบนพื้นฐานของ Constraint-driven control โดยใช้ Neural Operators ที่ไม่จำกัดขอบเขตเวลา (Horizon Agnostic) เพื่อเรียนรู้การเปลี่ยนแปลงของวัตถุและบังคับใช้ข้อจำกัดด้านความปลอดภัยแบบเรียลไทม์
การทดสอบในสภาพแวดล้อมจำลอง FluidLab แสดงให้เห็นว่าระบบนี้สามารถเพิ่มอัตราความสำเร็จในเส้นทางที่ปลอดภัยได้สูงสุดถึง 22% เมื่อเทียบกับนโยบายการควบคุมแบบเดิมที่ไม่ผ่านตัวกรอง อีกทั้งยังช่วยลดจำนวนขั้นตอนที่หุ่นยนต์ต้องใช้ในการบรรลุเป้าหมายที่ปลอดภัย ผลลัพธ์นี้พิสูจน์ว่าการบังคับใช้ข้อจำกัดโดยตรงมีประสิทธิภาพและความเชื่อถือได้มากกว่าการใช้เพียงแค่การให้รางวัล (Reward Shaping) ในการฝึกฝนหุ่นยนต์
