การนำทางของหุ่นยนต์ในสภาพแวดล้อมที่วุ่นวายมักเผชิญกับความไม่แน่นอนของข้อมูลเซนเซอร์ ซึ่งการฝึกหุ่นยนต์ด้วย Reinforcement Learning (RL) แบบปกติน้อมที่จะประเมินความปลอดภัยจากค่าเฉลี่ยทำให้มองข้ามความเสี่ยงที่ร้ายแรงในบางกรณี งานวิจัยนี้จึงเสนอการใช้ CVaR ในการฝึกเพื่อเพิ่มความไวต่อความเสี่ยงในกลุ่ม Tail-risk หรือเหตุการณ์อันตรายที่มีโอกาสเกิดน้อยแต่รุนแรง
ความโดดเด่นของงานนี้คือการเพิ่มขั้นตอนหลังการฝึก (Post-training) โดยการใช้ Taylor Model analysis เพื่อคำนวณ Action Reachable Sets ภายใต้ความไม่แน่นอนของข้อมูลที่ได้รับ ซึ่งช่วยยืนยันได้ว่าหุ่นยนต์จะยังคงรักษาระยะห่างที่ปลอดภัยจากสิ่งกีดขวางได้จริง จากการทดสอบใน 10 สถานการณ์จำลองและใช้หุ่นยนต์ Jackal ของจริง พบว่าวิธีนี้มีอัตราความสำเร็จสูงถึง 98.3% และผ่านการตรวจสอบความปลอดภัยได้ดีที่สุดเมื่อเทียบกับวิธีอื่น
