自变量开源 HOST 框架，让机器人看一条数十秒视频学会新技能，较主流方法提速 500 倍

自变量机器人发布并开源 HOST 框架（Human-to-robot One-Shot Skill AcquisiTion），实现机器人仅观看一段数十秒人类视频即可学会新技能，并保留旧技能。HOST 框架借鉴认知科学“观察学习”理论，将技能获取从训练时微调循环改为推理时技能获取。其创新点在于：1. 按任务进度对齐：利用动态时间规整算法，精准对齐人类视频与机器人操作的步骤，时间误差降低一个数量级。2. 从结果反推动作：绕开复杂的动作映射，让机器人先想象机器人视角的动作结果画面，再从结果拆分出需执行的动作，利用视觉推理反推动作过程。模型采用带视觉预测的双专家级联架构：视频专家处理任务进度与预测未来图景，动作专家负责生成执行动作。训练分为两个阶段：先用机器人自身视频进行同体预训练，再通过人类演示视频进行人机视频训练，大幅提升数据效率。效果方面，HOST 仅凭一段 29 秒人类视频学习技能的成功率高达 62%，远超 Vid2Robot 等零样本基线，更比 Pi-0.5 微调方案所需数据量减少 50 倍，学习技能速度提升 500 倍，且旧技能保留能力极强。