پژوهشگران روشی برای سازگارکردن کنش ربات و پیامدهای ویدئویی آن پیشنهاد کردند

پژوهشگران در پیش‌چاپی در arXiv روشی به نام Cycle WAM معرفی کرده‌اند که هدفش بهبود سازگاری میان کنش‌های ربات و پیامدهای تصویری پیش‌بینی‌شدهٔ آن‌هاست. ایدهٔ اصلی این است که کنش ربات صحنه را تغییر می‌دهد و ویدئوی ثبت‌شده از این تغییرات می‌تواند سرنخی برای استنباط کنشِ انجام‌شده باشد.

به‌گفتهٔ نویسندگان، روش‌های موجود از قابلیت‌های مدل‌های ویدئوییِ ازپیش‌آموزش‌دیده استفاده می‌کنند؛ برای نمونه، کنش را از نمایش‌های نهفته استخراج می‌کنند یا آن را از ویدئوی تولیدشده استنباط می‌کنند. بااین‌حال، صورت‌بندی آموزشی این روش‌ها لزوماً تضمین نمی‌کند که کنش و پیامد بصریِ پیش‌بینی‌شده با یکدیگر سازگار باشند. Cycle WAM ویدئو و کنش را دو وجهِ مرتبط با رابطه‌ای علّی در نظر می‌گیرد و می‌کوشد correspondence میان آن‌ها را از طریق آموزش یکپارچه بیاموزد. چکیدهٔ در دسترس جزئیات بیشتری دربارهٔ روش یا نتایج آزمایش‌ها ارائه نمی‌کند.