تعتبر تطوير الروبوتات الثنائية المخصصة للعب كرة القدم في البيئات الديناميكية من بين أكبر التحديات التي شهدتها الأبحاث في مجال الروبوتات. فالتعامل مع الاستقرار الحركي والارتباط العميق بين المهام المتعددة يشكلان عقبتين رئيسيتين، فضلاً عن مشكلات التبديل بين الحالات المختلفة مثل المشي العمودي واستعادة التوازن بعد السقوط.

للتغلب على هذه التحديات، قدم الباحثون إطاراً مبتكراً يعتمد على التعلم المعزز (Reinforcement Learning) لتحقيق تحكم متعدد المهام بشكل مرن. يتضمن هذا الإطار الجمع بين مذبذب مفتوح الحلقة مع استراتيجية استجابة تعتمد على التعلم المعزز، مما يتيح فصل توليد الأنماط الأساسية عن الإجراءات المعقدة في كرة القدم.

إضافة إلى ذلك، تم إدخال آلة حالة مدفوعة بالموقف، تقوم بالتبديل بوضوح بين الشبكة المخصصة للبحث عن الكرة وضربها، وشبكة استعادة السقوط. هذه الاستراتيجية تمنع بشكل أساسي تداخل الحالات المختلفة. تم تدريب شبكة استعادة السقوط باستخدام استراتيجية تعلم شاملة تعتمد على تقليل القوة التدريجي.

المعمارية تم التحقق منها من خلال محاكاة في بيئة Unity للروبوتات الثنائية، حيث أظهرت قدرة عالية على التكيف المكاني، حيث تمكنت من العثور على الكرة وضربها حتى في الزوايا المحدودة. كما أثبتت أيضاً قدرتها على استعادة التوازن بسرعة، حيث متوسط زمن الاستعادة بلغ 0.715 ثانية. هذه الإنجازات تضمن التشغيل السلس والمستقر في البيئات متعددة المهام المعقدة.