Point Policy：以关键点统一观测与动作的机器人操作策略

基于摘要分析。该研究针对机器人操作依赖昂贵实机数据采集的问题，提出 Point Policy，仅从离线人类演示视频学习机器人策略，不使用遥操作数据。其主要研究对象是机器人操作，而非 EEG 解码或 BCI。 方法利用视觉模型与策略架构，将人手姿态转换为机器人姿态，同时以具有语义含义的关键点表示物体状态，从而构建不依赖特定形态的表示。核心思路是在观测与动作之间建立关键点层面的对应关系，以支持从人类视频学习机器人控制。摘要未说明关键点提取、姿态映射、策略训练目标及推理流程的具体实现。 作者报告，在 8 项真实世界任务中，当评估设置与训练设置相同时，相较既有工作取得总体“75% absolute improvement”；在新物体实例上的跨任务评估中取得“74% gain”，并对显著背景杂乱表现出鲁棒性。摘要未给出这些提升对应的指标、基线数值及计算方式，因此不能将其直接解释为成功率或百分点变化，也不能将同设置评估等同于跨环境泛化。 复现需核对人类视频的采集与标注要求、视觉模型及策略架构、人与机器人姿态对应的构建方式，以及新物体和背景杂乱的评估协议。实验划分、消融及统计信息尚未验证；现有材料不足以建立该表示与 EEG/BCI 的具体机制对应关系，不据此推断其在神经信号任务中的有效性。