ทีมนักวิจัยได้พัฒนา Onto-EV-WM ซึ่งเป็นเลเยอร์อินเทอร์เฟซใหม่ที่สร้างขึ้นบนโมเดลโลก (World Model) เดิมอย่าง EV-WM เพื่อแก้ปัญหาความไม่ชัดเจนในการระบุสาเหตุของความล้มเหลวขณะหุ่นยนต์ปฏิบัติภารกิจ โดยระบบนี้ใช้โครงสร้างความรู้เชิงสัญลักษณ์ (Symbolic Ontology) เข้ามาช่วยจัดระเบียบข้อมูลสถานะที่หุ่นยนต์สังเกตได้ ให้กลายเป็นความสัมพันธ์ที่ตรวจสอบได้ตามตรรกะ
หัวใจสำคัญของ Onto-EV-WM คือการระบุ 'เงื่อนไขที่ยังไม่บรรลุ' (Unmet Predicates) และการส่งค่าต่อไปยังกลไกแก้ไขความผิดพลาดที่เหมาะสมโดยตรง แทนที่จะเป็นการสุ่มหาทางออกใหม่ทั้งหมด จากการทดสอบในสภาพแวดล้อม LIBERO-Goal ระบบนี้สามารถทำคะแนนความสำเร็จในการแก้ไขความผิดพลาดได้สูงถึง 93.8% ถึง 94.05% ซึ่งพิสูจน์ให้เห็นว่าการใช้ตรรกะเชิงสัญลักษณ์ร่วมกับโมเดลการเรียนรู้ช่วยให้หุ่นยนต์ทำงานได้อย่างน่าเชื่อถือมากขึ้นในภารกิจที่ซับซ้อน
