في عالم التكنولوجيا المتقدمة، تتطلب عمليات التحكم الدقيقة التركيز على تنظيم الحركة العامة وتصحيح التنفيذ المحلي. لكن، الكثير من سياسات الرؤية-اللغة-العمل (VLA) تعمل ضمن إطار موحد، مما يؤدي إلى هيمنة الحركات الكبيرة على التعلم، والتقليل من أهمية الإشارات التصحيحية الحيوية. هنا يأتي دور AnchorRefine، الإطار الجديد الذي يقسم نمذجة الحركة إلى عنصرين رئيسيين: تخطيط الحركة الأساسي (trajectory anchor) وتصحيح التنفيذ (residual refinement).

يقوم المخطط الأساسي بالتنبؤ بحركة عامة، بينما يعكف وحدة التصحيح على تصحيح الانحرافات أثناء التنفيذ، مما يعزز الدقة الهندسية والتلامسية. بالإضافة إلى ذلك، تم إدخال آلية تصحيح تحكم المرضية الأمامية (decision-aware gripper refinement) لتناسب الطبيعة الحساسة للحدود والتحكم في الأقفال.

أظهرت التجارب على مهام LIBERO وCALVIN, بالإضافة إلى تجارب حقيقية، أن AnchorRefine يُحسن باستمرار نماذج VLA، مما يؤدي إلى زيادة تصل إلى 7.8% في معدل النجاح في المحاكاة و18% في النجاح في العالم الحقيقي.