लेखकों ने REGRIND पेश किया, जो एक न्यूनतम पुनर्लक्ष्यीकरण-निर्देशित रीइन्फोर्समेंट लर्निंग पाइपलाइन है जो एकल मानव प्रदर्शन से कुशल हैंडलिंग नीतियाँ सीखता है। विधि मानव हाथ-वस्तु गति को रोबोट संदर्भों पर पुनर्लक्ष्यित करती है जबकि स्थानिक और संपर्क संबंधों को बनाए रखती है, फिर वस्तु-केंद्रित कीपॉइंट्स का पता लगाने के लिए सिमुलेशन में एक अवशेष RL नीति को प्रशिक्षित करती है।
- हाथ-वस्तु स्थानिक और संपर्क संबंधों को बनाए रखने के लिए मानव गति को पुनर्लक्ष्यित करता है।
- संदर्भ के साथ वस्तु-केंद्रित कीपॉइंट्स का पता लगाने के लिए एक अवशेष RL नीति को प्रशिक्षित करता है।
- सावधानीपूर्वक सिस्टम पहचान का उपयोग करके हार्डवेयर पर शून्य-शॉट नीतियों को स्थानांतरित करता है।
- दो बहु-अंगुलीय हैंड्स पर टूल्स के उपयोग जैसे कैंची चलाने और स्क्रूड्राइवर घुमाने जैसे कार्यों के लिए तरल, मानव-सदृश व्यवहार का प्रदर्शन करता है।
कार्य संपर्क-समृद्ध सेटिंग्स में sim-to-real स्थानांतरण को नियंत्रित करने वाले प्रमुख कारकों की पहचान करता है, पुनर्लक्ष्यीकरण-आधारित शिक्षा के लिए व्यावहारिक मार्गदर्शन प्रदान करता है।