ในปัจจุบันโมเดลหุ่นยนต์แบบ Generalist (เช่น VLAs) มักมีขนาดใหญ่มาก ซึ่งนำไปสู่ปัญหาความหน่วงในการประมวลผล (Inference Latency) ที่รุนแรง ปัญหานี้ไม่เพียงแต่ทำให้หุ่นยนต์เคลื่อนที่ติดขัด แต่ยังทำลายสมมติฐานการเรียนรู้แบบ Reinforcement Learning (RL) จนทำให้อัลกอริทึมมาตรฐานล้มเหลวโดยสิ้นเชิง
งานวิจัยนี้จึงนำเสนอ ARLI (Asynchronous RL with Intermediate Information) ซึ่งเป็นกรอบการทำงานที่ออกแบบมาเพื่อการปรับจูน (Finetuning) หุ่นยนต์ภายใต้สภาวะความหน่วง โดยใช้เทคนิคการประมวลผลแบบอะซิงโครนัสร่วมกับการเสริมข้อมูลสถานะ (State Augmentation) เพื่อรักษาโครงสร้างการเรียนรู้ให้คงที่ ผลการทดสอบทั้งในโลกจำลองและงานหยิบจับในโลกจริงพบว่า ARLI ช่วยให้หุ่นยนต์สามารถเรียนรู้และพัฒนาตัวเองได้ดีเยี่ยม แม้จะมีความล่าช้าในการประมวลผลที่สูง
