arXiv cs.RO· Qi Chen, Yuwei Wu, Quan Chen, Kunpeng Gao, Jin Chen, Che Sun, Zhi Gao, Yunde Jia·· 2 小时前AI 评分60
CapPro：用单段人类视频引导 VLA 模型适配新操作任务
One-shot Human Video-Guided Adaptation for Vision-Language-Action Models
AI 导读
研究者提出 CapPro 框架，让视觉-语言-动作（VLA）策略仅凭一段人类演示视频就能适配此前未见的操作任务，无需目标任务的机器人演示或微调。该框架包含阶段感知的人类视频表示模块和视频条件适配模块，前者通过视觉 token 选择与阶段描述监督学习任务相关查询表示，后者将紧凑视频与查询表示注入预训练 VLA 策略的动作条件上下文。
来源：arXiv cs.RO · arxiv.org