การที่หุ่นยนต์เรียนรู้จากการเข้าแทรกแซง (Intervention) ของมนุษย์เป็นแนวทางที่มีประสิทธิภาพในการปรับตัวแบบออนไลน์ แต่งานวิจัยนี้พบว่าสมมติฐานเดิมๆ มักไม่ตรงกับความเป็นจริง เพราะมนุษย์มักจะเข้าช่วยเมื่อหุ่นยนต์หยุดนิ่งและคำแนะนำของมนุษย์ก็อาจไม่ใช่ทางเลือกที่ดีที่สุดเสมอไป
ผู้วิจัยจึงพัฒนา Q-OIL ซึ่งใช้วิธีเพิ่ม 'Optimistic bonuses' ให้กับการแทรกแซงของมนุษย์ และใช้ 'Decoupled critics' เพื่อป้องกันไม่ให้โบนัสนั้นส่งผลลบต่อความเสถียรของสถานะก่อนการแทรกแซง ผลการทดสอบแสดงให้เห็นว่า Q-OIL สามารถเรียนรู้ได้เร็วขึ้นและมีอัตราความสำเร็จสูงกว่าคู่แข่ง 10-50% ทั้งในแบบจำลองและหุ่นยนต์จริง โดยเฉพาะในงานหยิบจับสองมือที่ซับซ้อน
