Ha próbáltunk már a családi nyaralásra elegendő cuccot autónk csomagtartójába pakolni, tudjuk, hogy nehéz feladat. Az emberhez hasonlóan, robotoknak is meggyűlik a bajuk a „sűrű” csomagolással.
Robotok számára a csomagolási probléma megoldása számos feltétellel jár: csomagok egymásra rakása, hogy a bőröndök ne essenek ki a csomagtartóból, nehéz tárgyak ne kerüljenek könnyebbek tetejére, a robotkar és a jármű lökhárítója közötti ütközések is elkerülendők és így tovább.
Egyes hagyományos módszerek szekvenciálisan kezelik a problémát. Egyszerre egy, valamelyik feltételnek megfelelő részmegoldást találnak ki, és megnézik, más feltétel nem lett-e megsértve. A műveletek hosszú sora és egy halom poggyász bepakolása miatt a folyamat annyira időigényes, hogy praktikusnak egyáltalán nem nevezhető.
Az MIT (Massachusetts Institute of Technology) kutatói a diffúziós modell nevű generatív mesterségesintelligencia-technikát használták a feladat hatékony kivitelezéséhez. Gépitanulás-modellek gyűjteményével dolgozva, mindegyiket speciális feltételtípus megjelenítésére tanították be. A modelleket később összekombinálták, hogy az összes feltételt egyszerre figyelembe vevő, globális megoldásokat generáljanak.
Módszerükkel a többi technikánál gyorsabban dolgoztak ki hatékony megoldásokat, és ugyanannyi idő alatt jóval több valósult meg sikeresen. Szintén fontos, hogy a feltételek új kombinációival a tárgyak nagyobb száma miatt előforduló újabb problémákat is képesek voltak kezelni. Olyanokat, amelyeket a modellek nem láttak gyakorlás közben.
Az általánosíthatóságnak köszönhetően, a robotoknak megtanítható a csomagolási problémák feltételeinek megértése, teljesítése. Az így gyakoroltatott robotok a raktározástól a könyvespolcok feltöltéséig, sokféle bonyolult feladat elvégzésére alkalmazhatók komplex környezetekben.