งานวิจัยนี้ศึกษาข้อจำกัดของ Sampling-based Model Predictive Control (MPC) แบบดั้งเดิม ซึ่งมักประสบปัญหาประสิทธิภาพในการสุ่มตัวอย่างและความไม่เสถียรเมื่อนำไปใช้กับระบบหุ่นยนต์ที่มีความซับซ้อนสูงและไม่มีความเสถียรในตัวเอง (Open-loop unstable) คณะผู้วิจัยจึงได้พัฒนาอัลกอริทึมใหม่ที่เรียกว่า Feedback Sampling MPC (FS-MPC) ซึ่งใช้การออกแบบการสุ่มแบบผสมผสาน (Hybrid Sampling) เพื่อสร้างสมดุลระหว่างการค้นหาคำตอบแบบเฉพาะจุดและแบบภาพรวม
หัวใจสำคัญของ FS-MPC คือการพิสูจน์ว่าการกระจายตัวของการสุ่มตัวอย่างที่เหมาะสมที่สุดสามารถทำได้ผ่านนโยบายการควบคุมแบบป้อนกลับ (Feedback Policy) ที่ผ่านการปรับแต่งมาแล้ว ผลการทดสอบเชิงประจักษ์ในงานที่ต้องมีการสัมผัสซับซ้อน เช่น การเดินและการหยิบจับของหุ่นยนต์ฮิวแมนนอยด์ แสดงให้เห็นว่าวิธีนี้มีประสิทธิภาพเหนือกว่าแนวทางมาตรฐานอย่าง MPPI ทั้งในแง่ของความเร็วในการลู่เข้าสู่คำตอบและความเหมาะสมที่สุดของค่าที่ได้ (Optimality)
นอกจากนี้ งานวิจัยยังได้ยืนยันความสำเร็จผ่านการทดสอบกับหุ่นยนต์ฮิวแมนนอยด์ในโลกจริง ทั้งในภารกิจการเคลื่อนที่และการจัดการวัตถุ ซึ่งพิสูจน์ให้เห็นว่า FS-MPC สามารถรับมือกับงานที่มีความไม่เสถียรทางพลศาสตร์ที่วิธีการเดิมๆ มักจะล้มเหลว
