ความท้าทายหลักของการใช้งานหุ่นยนต์แขนกลในอุตสาหกรรมคือการต้องเขียนโปรแกรมเฉพาะทางหรือใช้มนุษย์สอนหุ่นยนต์ (Teleoperation) ซึ่งใช้เวลานาน งานวิจัยนี้จึงพัฒนาแนวทางการเรียนรู้ด้วยตนเอง (Self-Supervised Learning) ที่หุ่นยนต์จะสร้างชุดข้อมูลการหยิบจับขึ้นมาเองรอบๆ วัตถุเป้าหมาย
ระบบทำงานโดยใช้ ROS 2 และ Isaac Sim ในการจำลองการเก็บข้อมูลภาพและพิกัด (Image-pose pairs) โดยไม่จำเป็นต้องปรับตั้งค่ากล้องกับแขนกลให้ยุ่งยาก (Extrinsic calibration) จากนั้นใช้โครงข่ายประสาทเทียม (CNN) ในการเรียนรู้เพื่อปรับตำแหน่งการวางมือให้เข้าหาวัตถุอย่างแม่นยำ
จากการทดสอบกับหุ่นยนต์จริง UR5e พบว่าระบบสามารถลดความคลาดเคลื่อนในการวางตำแหน่งลงจาก 9.69 มม. เหลือ 5.38 มม. และมีอัตราการหยิบจับวัตถุสำเร็จสูงถึง 66.6% ในการทดสอบแบบ End-to-end ซึ่งพิสูจน์ว่าการเรียนรู้จากข้อมูลสาธิตที่สร้างขึ้นอัตโนมัติช่วยให้การนำหุ่นยนต์ไปใช้งานจริงทำได้ง่ายและเร็วขึ้น
