งานวิจัยนี้ชี้ให้เห็นถึงปัญหาในการควบคุมหุ่นยนต์ Humanoid ที่มักมีการแยกส่วนระหว่างนโยบายการเคลื่อนที่ (Tracking Policy) และตัวกรองความปลอดภัยตอนรันไทม์ (Runtime Safety Filters) ซึ่งการแยกส่วนนี้ทำให้เกิดความไม่สอดคล้องกันของสถานะและการสั่งการ ส่งผลให้หุ่นยนต์อาจเคลื่อนที่ผิดพลาดหรือต้องหยุดทำงานบ่อยครั้ง
ทีมวิจัยจึงได้พัฒนา CoFiT (Constrained Filter-aware Tuning) ซึ่งเป็นวิธีการปรับจูนโมเดลที่ผ่านการฝึกฝนมาแล้ว (Pretrained Trackers) ให้มีความเข้าใจในกลไกของตัวกรองความปลอดภัย ผลการทดสอบในสภาพแวดล้อมจำลองพบว่า CoFiT ช่วยลดเวลาที่หุ่นยนต์ทำผิดเงื่อนไขความปลอดภัยลงได้ถึง 91% บนแพลตฟอร์ม TWIST2 และเมื่อทดสอบกับหุ่นยนต์ Unitree G1 ของจริง พบว่าสามารถลดการละเมิดความปลอดภัยได้ 83% และสามารถทำงานจนจบภารกิจได้ทุกครั้งโดยไม่ต้องให้มนุษย์เข้ามาแทรกแซง
