ทีมนักวิจัยนำเสนอแนวทางการสร้างตัวแทนความรู้ (Representations) สำหรับหุ่นยนต์ที่ไม่ได้จำกัดอยู่เพียงแค่ตำแหน่งทางเรขาคณิตและความหมายของวัตถุเท่านั้น แต่ยังรวมถึงความเข้าใจในมิติของเวลาด้วย โดยใช้โครงสร้างที่เรียกว่า PredictiveGraphs ซึ่งเป็นการนำข้อมูลแบบ 3D Scene Graph มาผนวกเข้ากับตัวกรอง Perpetua* เพื่อใช้ในการให้เหตุผลแบบเบย์ (Bayesian Reasoning)
ระบบนี้ได้รับการออกแบบมาเพื่อรับมือกับสภาพแวดล้อมที่มีลักษณะกึ่งคงที่ (Semi-Static) เช่น ในบ้านที่สิ่งของมักจะเคลื่อนย้ายไปมาตามกิจวัตรประจำวันของผู้ใช้ การที่หุ่นยนต์สามารถเรียนรู้พฤติกรรมที่เป็นวงจรเหล่านี้จะช่วยให้มันคาดการณ์สถานะของวัตถุในอนาคตได้ แม้จะไม่ได้ตรวจพบวัตถุนั้นในขณะที่สังเกตการณ์ล่าสุดก็ตาม ซึ่งจากการทดสอบทั้งในโปรแกรมจำลองและสถานการณ์จริงนานกว่าสามสัปดาห์ พบว่าวิธีนี้มีประสิทธิภาพเหนือกว่าวิธีมาตรฐานเดิมอย่างชัดเจน
