ในการควบคุมหุ่นยนต์สองแขนแบบ Vision-Language-Action (VLA) โมเดลส่วนใหญ่จะเข้ารหัสการกระทำของแขนทั้งสองข้างเป็นเวกเตอร์การกระทำเดียว ซึ่งทำให้การแสดงรูปแบบการเคลื่อนไหวร่วมกันและ dependency ข้ามแขนยังคงเกี่ยวพันกันอยู่ นักวิจัยจึงนำเสนอ BiCAT (Bimanual Coordination Action Tokenization) ซึ่งเป็นแนวทางใหม่ที่ออกแบบมาเพื่อแก้ไขปัญหานี้
BiCAT ช่วยให้แขนทั้งสองสามารถแบ่งปันการแสดงการเคลื่อนไหวเดียวกันได้ ในขณะที่ยังคงสามารถกำหนดเงื่อนไขการสร้างโทเค็นการกระทำของแขนแต่ละข้างโดยอ้างอิงจากคู่หูผ่านกลไก cross-arm attention ที่สมมาตรและตัวถอดรหัสร่วม โมเดลจะทำนายโทเค็นทั้งหมดของแขนแต่ละข้างแบบขนาน โดยสร้างโทเค็นของแขนซ้ายก่อน แล้วจึงสร้างของแขนขวาโดยมีเงื่อนไขจากแขนซ้าย
จากการทดสอบใน 10 ภารกิจ RoboTwin 2.0 และ 6 ภารกิจในโลกจริงกับหุ่นยนต์สามรูปแบบ BiCAT ทำคะแนนความสำเร็จได้สูงสุดเมื่อเทียบกับ tokenizer อื่นๆ ในการจำลอง BiCAT สามารถเพิ่มความสำเร็จเฉลี่ยได้ 17.6 เปอร์เซ็นต์เมื่อเทียบกับ baseline ที่ดีที่สุดจากแปดตัว โดยเห็นผลลัพธ์ที่ดีที่สุดในภารกิจที่ต้องอาศัยการประสานงานที่ใกล้ชิดระหว่างแขนทั้งสอง การสร้างโทเค็นการกระทำแต่ละชุดใช้เวลาเพียง 40.5 มิลลิวินาที ซึ่งแสดงให้เห็นว่า action tokenizer เป็นจุดสำคัญในการจำลองการประสานงานของหุ่นยนต์สองแขน