การประเมินประสิทธิภาพของหุ่นยนต์ก่อนนำไปใช้งานจริงมักเผชิญกับอุปสรรคสำคัญ คือการทดสอบในโลกจริงนั้นมีค่าใช้จ่ายสูงและขยายขอบเขตได้ยาก ขณะที่การทดสอบในระบบจำลอง (Simulation) แม้จะทำได้ง่ายแต่ก็มักมีความคลาดเคลื่อนจากโลกจริง งานวิจัยนี้จึงเสนอ SCAPE (Scenario-Conditioned Simulation-Augmented Policy Evaluation) ซึ่งเป็นระบบที่เน้นการประเมินตามสถานการณ์เฉพาะตัว แทนที่จะใช้ค่าเฉลี่ยรวมซึ่งมักบดบังจุดอ่อนในบางเงื่อนไข
SCAPE ทำงานโดยการนำข้อมูลการทดลองในโลกจริงเพียงเล็กน้อยมาใช้ร่วมกับการทดลองในระบบจำลองจำนวนมาก เพื่อพยากรณ์ว่าหุ่นยนต์จะทำงานได้ดีเพียงใดในสถานการณ์ต่างๆ ระบบมีการแก้ไขอคติ (Bias) ของค่าจำลองก่อนนำไปฝึกฝนโมเดลพยากรณ์ และใช้เทคนิค Conformal Prediction เพื่อปรับเทียบความไม่แน่นอนของคำตอบ ทำให้ผู้ใช้งานทราบถึงขอบเขตความเชื่อมั่นของผลการประเมิน
จากการทดสอบในงานด้านการขับขี่อัตโนมัติและการควบคุมหุ่นยนต์สี่ขา พบว่า SCAPE ช่วยลดความผิดพลาดในการพยากรณ์ลงได้อย่างมีนัยสำคัญเมื่อเทียบกับวิธีมาตรฐานเดิม นอกจากนี้ยังช่วยให้การใช้ตัวอย่างทดสอบมีประสิทธิภาพมากขึ้น และสามารถประเมินความเสี่ยงในสถานการณ์ที่หุ่นยนต์ไม่เคยพบมาก่อน (Out-of-distribution) ได้ดียิ่งขึ้น
