CapPro：单段人类视频适配VLA新任务

研究者 Qi Chen 等提出 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，也无需针对目标任务微调。 该框架由阶段感知的人类视频表示模块和视频条件适配模块组成：前者通过视觉 token 选择与阶段描述监督，学习与任务相关的查询表示；后者把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。作者称，人类演示提供的是任务执行指导，而非供模仿的、与机器人本体对齐的轨迹。 作者报告，在源任务与未见目标任务上的实验显示，CapPro 提升了未见目标组的平均表现，同时在源任务上保持相当性能。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。