أظهرت الدراسات الحديثة وكالات مُحَيَّاة قادرة على التنقل نحو أهداف نقطية في بيئات داخلية جديدة بدقة شبه مثالية. ومع ذلك، فإن هذه الوكالات مزودة بمستشعرات مثالية للتحديد المكاني وتتخذ إجراءات محددة بالكامل. ويُعد هذا السياق عمليًا خاليًا من الواقع الحقيقي، الذي يعاني من مستشعرات ضوضائية وإجراءات غير دقيقة في العالم الحقيقي — حيث يمكن للعجلات الانزلاق، ووجود أخطاء في مستشعرات الحركة، وقد ترتد الإجراءات. في هذا العمل، نخطو خطوة نحو هذا الواقع الضوضائي، ونُطور وكالات للتنقل نحو الأهداف النقطية تعتمد على تقديرات بصرية للحركة الذاتية (الإيغوموشن) في ظل ديناميكيات إجرائية ضوضائية. وجدنا أن هذه الوكالات تتفوق على التكيفات البسيطة للوكلاء الحاليين الموجهين نحو الأهداف النقطية في هذا السياق، وكذلك على تلك التي تدمج قواعد تقليدية للتحديد المكاني. علاوة على ذلك، يُقسّم نموذجنا مفهوميًا تعلُّم ديناميكيات الوكيل أو نظام القياس البصري (أين أنا؟) من سياسة التوجيه الخاصة بالمهمة (أين أريد أن أذهب؟). وهذا يُمكّن من التكيّف السلس مع التغيرات في الديناميكيات (مثل استخدام روبوت مختلف أو نوع سطح مختلف) من خلال إعادة معايرة نموذج القياس البصري فقط — مُجتَنِبًا بذلك التكلفة العالية لإعادة تدريب سياسة التوجيه. وقد كان هذا الوكيل من بين المُنافسين الرئيسيين في مسار PointNav ضمن مسابقة Habitat Challenge في مؤتمر CVPR 2020.