ปัญหาใหญ่ของระบบการมองเห็นของหุ่นยนต์ในปัจจุบันคือการรับรู้เชิงเรขาคณิตมักเป็นแบบ 'สัมพัทธ์' (Relative) ซึ่งไม่มีมาตราส่วนที่แน่นอน ทำให้ขนาดของวัตถุและระยะทางที่คาดการณ์เปลี่ยนแปลงไปตามมุมกล้องและฉาก ทีมวิจัยจึงได้เสนอ Metric-Aware Geometry Perception (MAGP) ซึ่งเป็นเฟรมเวิร์กแบบ plug-and-play ที่ช่วยให้โมเดลสามารถสร้างภาพเรขาคณิตที่มีมาตราส่วนจริงได้สอดคล้องกับโลกภายนอก
MAGP ใช้เทคนิคการขยายข้อมูลแบบ Metric Scale Equivariant และการปรับเงื่อนไขมาตราส่วนที่ยืดหยุ่น ทำให้รองรับอินพุตจากกล้องหลายตัวหรือเซ็นเซอร์ความลึกที่หลากหลาย ผลการทดสอบพบว่า MAGP สามารถลดค่าความผิดพลาดสัมบูรณ์ (Absolute error) จาก 2.01 เมตร เหลือเพียง 0.07 เมตร และเมื่อนำไปใช้กับนโยบายควบคุมหุ่นยนต์ (Robotic policies) พบว่าสามารถเพิ่มประสิทธิภาพการทำงานได้สูงสุดถึง 6.26% ในระบบทดสอบ RoboTwin
