นักวิจัยนำเสนอ VLAff (Vision-Language-Affordance) ซึ่งเป็นโมเดลภาษาและภาพขนาดใหญ่ที่ออกแบบมาเพื่อแก้ปัญหาความแตกต่างระหว่างร่างกายของมนุษย์และหุ่นยนต์ในการเรียนรู้ทักษะการทำงาน โดยเปลี่ยนมาเน้นที่การเรียนรู้ 'Actionable Affordances' หรือคุณลักษณะของวัตถุที่บ่งบอกถึงพฤติกรรมการใช้งานที่เหมาะสม ซึ่งไม่ขึ้นอยู่กับโครงสร้างร่างกายของผู้กระทำ
หัวใจสำคัญของงานวิจัยนี้คือการสร้างชุดข้อมูล EgoAffordance ที่รวบรวมจากวิดีโอมุมมองบุคคลที่หนึ่งของมนุษย์จำนวนกว่า 204,000 คลิป ซึ่งประกอบด้วยข้อมูลการปฏิสัมพันธ์กับวัตถุ การหยิบจับ และวิถีการเคลื่อนที่จำนวนมหาศาล โมเดล VLAff จะนำข้อมูลเหล่านี้มาเรียนรู้ความสัมพันธ์ข้ามโหมด (Cross-modal) เพื่อสร้างแผนภูมิความร้อน (Heatmap) ของจุดที่ควรโต้ตอบ ท่าทางการหยิบจับ และวิถีการเคลื่อนที่ของหุ่นยนต์จากคำสั่งเสียงหรือภาพที่ได้รับ
