HumanEgo：基于分钟级人类第一人称视频的机器人零样本学习

人类第一人称视频捕捉了丰富的操作演示，但因人与机器人在视觉外观和运动学上的具身差异，技能迁移极具挑战。本文提出 HumanEgo 框架，通过将人类演示提升为手 - 物体交互的实体级表示，并利用密集辅助目标训练流匹配策略，从而弥合具身差距。该方法无需机器人数据、硬件无关且数据高效，仅需每任务 30 分钟人类视频即可在四项真实任务中实现 92.5% 的平均成功率，显著优于同等时长的机器人遥操作，并能鲁棒地零样本迁移至新型机器人、相机及环境。