面向视觉-语言-动作模型的单个人类演示视频引导适应

基于摘要分析。本文研究机器人操作中的视觉-语言-动作（VLA）模型如何适应训练分布之外的新任务，提出 CapPro，以单个人类演示视频提供任务执行指导，减少对目标任务机器人演示和目标任务微调的依赖。研究对象是机器人策略的跨任务适应，并非 EEG 解码或 BCI。 CapPro 包含两个组件：阶段感知的人类视频表征模块，通过学习式视觉 token 选择构建紧凑视频表征，并在阶段描述（phase-caption）监督下学习任务相关的查询表征；视频条件化适应模块，将紧凑视频表征与查询衍生表征共同纳入预训练 VLA 策略的动作条件上下文。其关键思路不是要求机器人模仿与自身形态对齐的人类动作轨迹，而是从视频中提取任务特定的执行指导。摘要所述“不需要微调”限定于目标任务，不能据此理解为整个框架无需训练；阶段监督的构建方式、训练数据及训练成本尚未验证。 作者报告，在包含源任务与未见目标任务的实验中，CapPro 提高了未见目标任务组的平均表现，同时在源任务上保持相近表现。摘要未提供数据集、任务划分、机器人平台、对照方法、具体指标或数值，因此尚不能判断收益幅度及适用边界。实验协议、消融及统计信息尚未验证；复现还需核对单个演示视频的选择规则、目标任务与训练任务的隔离方式，以及阶段监督和预训练策略的依赖条件。 该摘要未提供神经信号或 BCI 验证，也未建立其动作条件化机制与 EEG 瓶颈的具体对应关系，因此不据此推断 BCI 效果；相关 EEG 工作尚未检索确认。