การสื่อสารระหว่างหุ่นยนต์เคลื่อนที่ไร้คนขับ (AMR) ในระบบ Multi-Agent Reinforcement Learning (MARL) มักประสบปัญหาเรื่องความไม่เสถียรและความสับสนของข้อความ SCALE-COMM (Shared, Contrastively-Aligned Latent Embeddings for Communication) จึงถูกเสนอขึ้นเป็นเฟรมเวิร์กแบบ Self-supervised เพื่อแก้ปัญหานี้
จุดเด่นของ SCALE-COMM คือการใช้การฝังตัวแฝง (Latent Embeddings) ที่มีขนาดเล็กแต่มีข้อมูลครบถ้วน และการแยกการเรียนรู้ด้านการสื่อสารออกจากกระบวนการตัดสินใจ (Policy Optimization) ช่วยให้ระบบมีความเสถียรมากขึ้นและเพิ่มความสามารถในการรับส่งข้อมูล (Throughput) ในงานที่ซับซ้อน เช่น การจัดการคลังสินค้าอุตสาหกรรม
