CapPro：基于单次人类视频引导的视觉-语言-动作模型自适应框架

预印本摘要称，研究者提出 CapPro 框架，仅凭单段人类演示视频即可引导预训练视觉-语言-动作（VLA）策略自适应至未见过的机械臂操作任务。该方法通过阶段感知人类视频表征模块筛选视觉 token 并学习查询表征，再将其注入预训练 VLA 的动作条件上下文中。实验显示该方法无需目标任务机器人演示或微调，即可在保持源任务性能的同时提升未见目标任务的平均表现。