تعتبر نماذج الديناميات التوليدية (Generative Dynamics Models) أداة قوية لتخطيط أنظمة الروبوتات، ولكن تحقيق أمان التشغيل يتطلب القدرة على الكشف بشكل موثوق عن الانتقالات غير المتوقعة. في الأبحاث السابقة، كانت الطرق المتبعة تُعامل الديناميات المكتسبة كحالات ثابتة، مما أدى إلى الاعتماد على دعم سطحي إضافي بعد العملية. لكن، تكشف الأبحاث الجديدة أن هذه الطرق قد تفشل عندما تكون الديناميات غير حساسة محلياً تجاه خيارات التحكم الحاسمة.

في حالة عدم توفر دعم كافٍ، قد تتسبب عمليات التحكم غير المدعومة في إنتاج توقعات خفية تشبه الانتقالات المعروضة، مما يقلل من إشارات الانتقال غير المتوقعة على الرغم من وجود أخطاء تنبؤية حقيقية كبيرة.

للرد على هذه المشكلة، تم تقديم طريقة جديدة تحت اسم "تقييد حساسية التحكم المشروط بالدعم" (Support-Conditioned Control-Sensitivity Regularization)، والتي تعزز الاستجابة المحلية الحساسة لتغيرات مدخلات التحكم في الديناميات المكتسبة ضمن مناطق التدريب ذات الدعم العالي.

هذا الابتكار يحافظ على تنوع التحكم الناتج ويحد من التنبؤات غير المستقرة بسبب ضعف الدعم التجريبي. وقد أظهرت التجارب في مواجهة العقبات المعتمدة على الرؤية، والتلاعب، والتنقل في الروبوتات الحقيقية، نتائج محسنة في الكشف عن الانتقالات غير المتوقعة، مما يعزز التخطيط المغلق الحلقة بشكل أكثر أمانًا.