该系统有AI系统和机器人操控2个部分构成。AI系统部分对摄像头拍摄的图像进行解析，以此完成对图像中的手势的识别。机器人操控部分是接收识别出的手势信息，然后将对应的动作向机器人发出指令。机器人操控与AI系统是各自完全的独立动作，通过无线通信的方式互相传达信息。

AI模型中使用了ResNet50进行图像分类。将ImageNet的学习数据转用至机器人操控的学习中，用Fine Turning方式训练手势识别数据库。此处使用的AI模型是由3200万参数的神经网络构成。如果使用搭载GeForce GTX 1080 Ti的PC进行CPU处理，20ms就可以处理识别一轮手势数据。因为能够进行如此迅速的识别，所以基本可以实时的操控机器人。

另外，应用系统中为了可以搭载更轻巧便宜的Raspberry Pi 3，对AI模型进行了轻便改造，压缩了1/10左右的参数。（330万参数） 但是，即使Raspberry Pi没有前述GPU那样庞大的处理能力，Raspberry Pi也可以达到1秒完成1轮的处理速度。虽然无法完成实时对接，但是可以广泛的应用于不要求应答速度的各种系统。