การประเมินว่าพื้นที่ใดที่หุ่นยนต์สามารถสัญจรได้ในสภาพแวดล้อมที่ไม่มีโครงสร้างชัดเจนมักขึ้นอยู่กับลักษณะทางกายภาพของตัวหุ่นยนต์เอง เช่น พื้นที่ที่หุ่นยนต์สี่ขาเดินได้อาจเป็นอันตรายสำหรับหุ่นยนต์แบบล้อ งานวิจัยนี้จึงนำเสนอ Capability-Aware Traversability (CAT) ซึ่งเป็นเฟรมเวิร์กที่นำข้อจำกัดทางกายภาพมาคำนวณรวมกับข้อมูลพื้นที่โดยตรง แทนที่จะใช้วิธีการกรองเส้นทางในขั้นตอนสุดท้ายเหมือนเทคนิคเดิม
ระบบนี้ใช้กระบวนการที่เรียกว่า Spatially-Adaptive Denormalization (SPADE) เพื่อปรับเปลี่ยนแผนที่ความหมายของพื้นผิว (Semantic terrain maps) ให้เข้ากับเวกเตอร์ความสามารถเฉพาะตัวของหุ่นยนต์แต่ละประเภท จากการทดสอบทั้งในชุดข้อมูลที่มนุษย์กำกับและข้อมูลการเคลื่อนที่จริง CAT สามารถปรับปรุงค่า AUROC ได้ถึง 11.0% ในเส้นทางที่มีการเคลื่อนที่จริง และเพิ่มค่า AUPRC ขึ้น 15.8% เมื่อเทียบกับวิธีการมาตรฐานที่แข็งแกร่งที่สุดในปัจจุบัน
นอกจากนี้ งานวิจัยยังได้นำระบบไปติดตั้งใช้งานจริงในหุ่นยนต์สี่ขา (Quadruped) และหุ่นยนต์แบบล้อ (Skid-steer) โดยสามารถทำงานในระดับฮาร์ดแวร์ฝังตัวที่ความเร็ว 4.8 Hz ซึ่งพิสูจน์ให้เห็นว่าระบบสามารถช่วยให้หุ่นยนต์หลบหลีกอุปสรรคได้อย่างเหมาะสมกับสรีระของมันเองในสถานการณ์จริง
