โมเดลหุ่นยนต์ตระกูล Vision-Language-Action (VLA) ส่วนใหญ่มักพึ่งพาข้อมูลจากการมองเห็นเป็นหลัก ซึ่งอาจเกิดปัญหาเมื่อต้องทำงานที่เกี่ยวข้องกับการสัมผัสหรือเมื่อกล้องถูกบดบัง งานวิจัยนี้จึงนำเสนอ LIFT (Late Reactive Injection of Force) ซึ่งเป็นเฟรมเวิร์กที่ช่วยเพิ่มความสามารถในการรับรู้แรงสัมผัสให้กับนโยบาย VLA ที่ผ่านการฝึกฝนมาแล้ว
ระบบ LIFT ทำงานโดยการแทรกโมดูล 'ผู้เชี่ยวชาญการตอบสนอง' (Reactive Action Expert) ควบคู่ไปกับโมเดลเดิม และใช้หน่วยความจำแรงสัมผัสแบบ 6D (Causal Force Memory) เพื่อปรับเปลี่ยนการเคลื่อนไหวของหุ่นยนต์แบบเรียลไทม์ นอกจากนี้ยังมีการใช้ระบบการเรียนรู้แบบ DAgger loop ที่ผสานข้อมูลจากการฝึกฝนแบบออฟไลน์และการแก้ไขโดยมนุษย์แบบออนไลน์เข้าด้วยกัน เพื่อให้หุ่นยนต์สามารถแก้ไขข้อผิดพลาดขณะทำงานที่มีความละเอียดสูงได้ดียิ่งขึ้น
