Georgia Tech araştırmacılarının 9 Ekim’de arXiv’de yayımladığı ön baskı, genel amaçlı bir robot kolu politikasını ev veya ofis gibi belirli bir iç mekâna uyarlamak için Splat2Act adlı gerçek-simülasyon-gerçek iş akışını tanıtıyor. Kullanıcıdan el tipi telefonla mekânı taraması ve kendi nesnelerinin görüntülerini sağlaması isteniyor. Sistem, 3B Gaussian Splatting ve çarpışma geometrisiyle bina ölçeğinde dijital ikiz kuruyor; yüzeyleri ve nesne alma görevlerini otomatik tanımlayıp başarılı örnekleri simülasyonda üretiyor. Yazarlar yöntemi 101 kampüs iç mekânı taramasında kullandı; bu ortamlarda 852 alma noktası ve 68.000’den fazla robot gösterimi üretildi.

Araştırmacılar, en iyi uyarlanmış politikanın hedef mekândaki toplam alma başarısını yüzde 62,5’e çıkardığını bildiriyor. Gerçek Stretch 3 robotunda 12 görevlik alt kümede başarı yüzde 63,9, aynı görevlerde simülasyonda yüzde 66,7 oldu. Uyarlanmamış π₀.₅ politikasının taranan dağıtım sahnelerinde başarı sağlayamadığını da rapor ediyorlar. Sonuçlar belirli kampüs sahneleri, nesneler ve robot düzeniyle sınırlı; bağımsız ev kullanımı veya genel amaçlı ticari performans kanıtı değil. Çalışma, hakem değerlendirmesinden geçmemiş bir ön baskıdır.