研究者は、伸縮性線形物体（DLO）の平面上で一つの把持点のみで形状を制御する際、正確に応答を予測できる表現が必ずしも最適な操作選択に役立つとは限らないことを示しました。

この結論に基づき、Geometry‑Pointer‑Flow（GPF）と呼ばれるポリシーを導入しました。GPF は把持位置の選択と把持条件付きの運動生成を分離し、物理情報を与えるための基盤として機能します。GPF の純粋な幾何学バージョンは、DLO 専用拡散ポリシーと比較し、実行時の形状誤差を 32.8 % 削減し、パラメータ数を 18.7 倍少なく、推論速度を 193 倍高速化します。

次に、GPF に対して三種類の物理情報を与える実験を行いました。1) 真のロープパラメータ、2) 推定されたパラメータ、3) 過去の対話から学習した履歴ベース表現（Hist‑FiLM）。470 ペアのシミュレーション試行において、Hist‑FiLM は GPF‑Geom（標準幾何学版）に比べて 0.921 mm（9.9 %）の誤差低減を達成し、最も優れた実行性能を示しました。

シミュレーションでは、推定コンテキストが最も予測精度を向上させたにもかかわらず、制御上の利益は見られませんでした。実機実験では、履歴ベースのコンテキストが最も低い予測誤差を示し、Hist‑FiLM が最強の閉ループ性能を達成しました。したがって、予測性能が高いことが必ずしも決定性能に結びつかないことが確認されました。

ただし、原因解析は行われていないため、履歴がどのような追加情報をエンコードしているかは不明です。また、実機実験では初期状態を多くの場合再現できないため、試行は目標タスクと初期条件でのみマッチさせられ、ゼロショット転送の評価精度は限定的です。