بازوی ربات باید کاری فراتر از رسیدن لحظه‌ای به هدف انجام دهد: دست‌کاری دقیق اشیا مستلزم حفظ آن وضعیت نیز هست. PolicyIK، کنترل‌کننده‌ای مبتنی بر یادگیری تقویتی که در پیش‌چاپی در arXiv در ۳ نوامبر ۲۰۲۶ معرفی شده، هر دو رفتار را هدف می‌گیرد. پژوهشگران وابسته به دانشگاه نیویورک و دانشگاه نیویورک ابوظبی از بهبود رسیدن به هدف و حفظ وضعیت در آزمون‌های خود خبر می‌دهند. داوری علمی این پژوهش تأیید نشده است.
سینماتیک معکوس، موقعیت و جهت‌گیری درخواستی ابزار را به حرکت مفصل‌ها تبدیل می‌کند. آرایش‌های مختلف مفصل‌ها ممکن است وضعیت یکسانی ایجاد کنند؛ محدودیت مفصل‌ها، گرانش و رفتار کنترل‌کننده نیز اجرای حرکت را دشوار می‌کنند. PolicyIK با تعامل، تغییرات تدریجی در مقادیر مرجع موقعیت مفصل‌ها را می‌آموزد. این روش مرجع انباشته را حفظ می‌کند و اختلاف آن با موقعیت اندازه‌گیری‌شده مفصل‌ها را می‌بیند تا فرمان لازم برای ثابت ماندن حفظ شود. ورودی‌های خطا در دو مقیاس درشت و ریز، حرکت‌های کوچک‌تر نزدیک هدف و پاداش برای پیشرفت و ماندن در محدوده مجاز، اصلاح نهایی را تقویت می‌کنند.
آزمون اصلی شبیه‌سازی از بازوی OpenArm با هفت درجه آزادی در Isaac Sim، با ۴٬۱۲۰ جفت وضعیت آغاز و هدفِ کنارگذاشته‌شده از آموزش و سه بذر تصادفی آموزش PPO استفاده کرد. هر تلاش ۵٫۳ ثانیه طول کشید. موفقیت مستلزم آن بود که میانگین خطاهای موقعیت و جهت‌گیری در ثانیه پایانی، به‌ترتیب بیش از ۱ میلی‌متر و ۰٫۲ درجه نباشد. PolicyIK به موفقیت ۹۳٫۴۹٪ با انحراف معیار ۰٫۲۰ واحد درصد رسید؛ میانه خطاهای پایانی در کل وظایف ۰٫۲۵ میلی‌متر و ۰٫۰۴ درجه بود. تغییرپذیری گزارش‌شده، انحراف معیار میان بذرهای آموزش است، نه فاصله اطمینان.
کنترل‌کننده‌های کلاسیکِ تنظیم‌شده DLS، QP و MPC به‌ترتیب ۵۰٫۴۱٪، ۵۶٫۲۱٪ و ۵۶٫۳۳٪ موفقیت داشتند؛ نسخه سازگارشده UMI-RL نیز با معیار سخت‌گیرانه موفقیت ۰٪ داشت. اصلاح هدف و تکرار تلاش، نتیجه PolicyIK را به ۹۸٫۹۲٪ با انحراف معیار ۰٫۲۳ واحد درصد رساند؛ میانگین تعداد تلاش برای هر وظیفه ۱٫۲۱۲ بود. این رقم شامل تلاش‌های اضافی است. در سنجشی جداگانه و بدون تکرار، ۹۲٫۴٪ وظایف در تمام نمونه‌های ثانیه پایانی داخل هر دو آستانه ماندند؛ شرطی سخت‌تر از موفقیت بر اساس میانگین خطا.
پس از آموزش مستقیم روی سخت‌افزار با FlashSAC، روش PolicyIK در بودجه زمانی ۲۵ ثانیه، در ۵۴ مورد از ۶۰ وظیفه فیزیکی OpenArm به محدوده مجاز رسید و در ۴۳ مورد، آن را در تمام پنج ثانیه پایانی حفظ کرد. چهار کنترل‌کننده کلاسیک مقایسه‌شده در ۳۲ تا ۴۸ وظیفه به محدوده مجاز رسیدند و در ۱۱ تا ۱۷ وظیفه آن را حفظ کردند. خطاهای سخت‌افزاری از انکودرهای مفصل و سینماتیک مستقیم محاسبه شدند؛ اندازه‌گیری مستقل دقت مطلق ابزار در فضای فیزیکی اثبات نشده است.
در ده وظیفه شبیه‌سازی‌شده برداشتن و گذاشتن اشیا در LIBERO-Object، با هدایت سیاست بینایی–زبان–کنش π₀.₅، روش PolicyIK به موفقیت ۹۵٫۷٪ رسید. DLS با تنظیم دستی ۹۶٫۷٪ موفقیت داشت؛ DLS پیش‌فرض و QP با تنظیم دستی هرکدام به ۹۰٫۸٪ رسیدند. PolicyIK برای آرایش نصب بازو، بدون داده آموزشی برداشتن و گذاشتن اشیا، دوباره آموزش دید. بنابراین در این محیط از دست‌کاری اشیا پشتیبانی کرد، اما از بهترین روش مقایسه‌شده پیشی نگرفت.
آزمون‌های حذف مؤلفه در شبیه‌سازی از انتخاب‌های طراحی پشتیبانی می‌کنند: حذف بازخورد اختلاف مرجع، موفقیت سخت‌گیرانه را ۹٫۲ واحد درصد کاهش داد؛ حذف ورودی‌های خطای ریز یا مقیاس‌بندی تطبیقی حرکت نیز حدود ۴ تا ۵ واحد درصد افت ایجاد کرد. این‌ها همچنان نتایج مهندسی گزارش‌شده توسط نویسندگان هستند و تکرار مستقل آن‌ها ارائه نشده است. مقایسه‌های سخت‌افزاری و دست‌کاری اشیا فاقد عدم‌قطعیت گزارش‌شده یا آزمون معناداری آماری‌اند و اجراهای تکراری نماینده ربات‌های مستقل نیستند. همچنین، انتخاب اهداف دست‌یافتنی در فضای کاری مشخص، عملکرد در برابر موانع ناآشنا، تغییر بار و فرمان‌های دست‌نیافتنی را روشن نمی‌کند.
تصویر جلد با هوش مصنوعی تولید شده و تصویرسازی مفهومی است؛ مدرک پژوهش نیست.