Målsætningen læres derefter ende-til-ende ved hjælp af en modelfri off-policy aktør-kritisk algoritme, der direkte kortlægger kompakte oktre-observationer til kontinuerlige handlinger i det kartesiske rum. Sammenlignet med traditionelle billedbaserede observationer viser eksperimentelle resultater, at 3D-datarepræsentationer muliggør mere effektiv indlæring af manipulationsfærdigheder.

Domænerandomisering forbedrer generaliseringen af lærte politikker til nye scener med hidtil usete objekter og forskellige lysforhold. Til det formål demonstrerer vi nul-shot sim-til-real overførsel ved at evaluere trænede "agenter" på en rigtig robot i en facilitet svarende til Månen.