CapPro：单条人类视频引导VLA跨任务适配

论文提出 CapPro 框架，让视觉-语言-动作（VLA）策略仅凭一段人类演示视频即可适应此前未见过的操作任务，无需目标任务的机器人演示或目标任务微调。 CapPro 包含两个模块：相位感知的人类视频表示模块通过视觉 token 选择构建紧凑视频表示，并在相位-字幕监督下学习任务相关查询表示；视频条件化适应模块将这些表示并入预训练 VLA 策略的动作条件上下文。论文称 CapPro 在未见目标任务组上提升了平均性能，同时在源任务上保持相当表现。

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。