ทีมนักวิจัยนำเสนอแนวทางการเพิ่มประสิทธิภาพการเรียนรู้แบบเลียนแบบ (Imitation Learning) สำหรับหุ่นยนต์ โดยเน้นไปที่การแก้ปัญหาความท้าทายในการถ่ายโอนทักษะระหว่างหุ่นยนต์ที่มีโครงสร้างต่างกัน (Cross-Embodiment Transfer) ผ่านการใช้ตัวแทนข้อมูลที่สอดคล้องกับพฤติกรรม (Behavior-Aligned Representations) เช่น ขอบเขตวัตถุ (Bounding Boxes) และเส้นทางการเคลื่อนที่ของส่วนปลายหุ่นยนต์ (End-effector Traces)
ผลการศึกษาพบว่าการใช้ข้อมูลเส้นทางการเคลื่อนที่ของปลายแขนหุ่นยนต์มีความโดดเด่นอย่างมากในการช่วยให้หุ่นยนต์เรียนรู้ข้ามแพลตฟอร์มได้สำเร็จ โดยเฉพาะเมื่อทำงานร่วมกับชุดข้อมูลขนาดใหญ่ นอกจากนี้ยังช่วยให้สามารถใช้ประโยชน์จากข้อมูลที่ไม่มีฉลากระบุการกระทำ (Action-free data) ได้อย่างมีประสิทธิภาพมากขึ้น จากการทดสอบในสภาพแวดล้อมจำลองไปสู่โลกจริง (Sim-to-Real) พบว่าแนวทางนี้ช่วยเพิ่มความสำเร็จในการปฏิบัติงานของหุ่นยนต์จริงได้ถึง 28%
