การจัดการวัตถุขนาดจิ๋ว (Micromanipulation) เป็นเรื่องยากเนื่องจากปฏิสัมพันธ์พื้นผิวในระดับไมโครนั้นสร้างแบบจำลองได้ยาก งานวิจัยนี้เสนอแนวทางการใช้ Reinforcement Learning (RL) แบบ Sim-to-Real เพื่อควบคุมรูปทรงของไมโครไฟเบอร์ โดยฝึกฝนโมเดลในโปรแกรมจำลองที่ไม่มีแรงเสียดทาน (Simplified Frictionless Simulator) และใช้การป้อนกลับด้วยภาพแบบเรียลไทม์เพื่อแก้ไขผลกระทบจากปฏิสัมพันธ์บนพื้นผิวที่ไม่ได้ระบุไว้ในแบบจำลอง
ผลการทดสอบกับเส้นใยไหม (Silk Microfibers) ขนาดต่างๆ พบว่าระบบสามารถควบคุมรูปทรงได้แม่นยำด้วยค่าความผิดพลาดเฉลี่ยเพียง 270 ไมโครเมตร แม้จะโอนย้ายความรู้จากระบบจำลองมาสู่ระบบหุ่นยนต์จริงโดยตรงโดยไม่มีการปรับจูนเพิ่มเติม (Zero-shot Transfer) ซึ่งแสดงให้เห็นว่าลูปการป้อนกลับแบบปิด (Closed feedback loop) สามารถชดเชยช่องว่างระหว่างการจำลองและโลกจริงได้
