Badacze zaproponowali metodę Personalized Observation Normalization (PON) dla federacyjnego reinforcement learning, która odpowiada na wyzwania heterogenicznych środowisk symulacyjnych. Rozwiązanie normalizuje obserwacje agentów z uwzględnieniem ich indywidualnych charakterystyk, poprawiając efektywność kolaboracyjnego uczenia rozproszonych systemów. Praca ma znaczenie dla aplikacji multi-agentowych i systemów, gdzie różne urządzenia mają odmienne specyfikacje sensoryczne.