想象一下，如果机器人也能像我们一样，通过刷视频就能学习各种操作技能——比如从抖音上的叠衣服技巧学会整理衣物，从B站的收纳教程学会归置物品——那会是什么样子？

听起来很科幻？但在本月公布的CoRL 2025论文收录名单中，一篇来自南方科技大学CLEAR Lab、逐际动力和香港大学的联合研究，正在把这个设想变成现实。

收录地址：https://www.corl.org/program

Conference on Robot Learning (CoRL)可不是一般的学术会议。作为机器人学习领域的顶级学术会议，自2017年创办以来，CoRL始终引领着机器人学习的技术前沿。今年CoRL 2025关注操作与模仿学习、感知、规划与安全、运动控制、人形与硬件等大热核心主题，竞争之激烈可想而知。

在这样的背景下，南方科技大学CLEAR Lab联合逐际动力、香港大学的论文《Generative Visual Foresight Meets Task-Agnostic Pose Estimation in Robotic Table-top Manipulation》能够成功入选，是因为它提出了一种巧妙的机器人训练范式：让机器人通过视频来预测任务执行过程，进而学会自主操作。这也是逐际动力在利用视频数据进行具身智能训练的又一突破，有望加速机器人自主操作能力的发展。

[图：机器人通过观察人类来学习]

▍GVF-TAPE：让机器人先"看懂"再操作的新范式

在具身智能训练的数据金字塔中，视频数据是最大的变量。为什么这么说？因为互联网上有海量的人类操作视频——从美食教程到手工DIY，从工业装配到日常家务，这些视频本质上都是宝贵的"教学资源"。

问题是，如何让机器人真正"看懂"这些视频并转化为自己的技能？

传统方法就像让机器人死记硬背——工程师需要针对特定场景、特定操作任务进行手把手示教，告诉机器人每个动作的精确参数。这种方式下的人力、时间成本高昂，且无法应对环境的变化，导致部署和泛化的效率低下。

论文中所介绍的GVF-TAPE（Generative Visual Foresight with Task-Agnostic Pose Estimation）算法，核心创新在于将生成式视觉预测和与任务解耦的姿态估计相结合，简单来说，就是让机器人通过看视频学习操作，像人类一样先在脑海里"演练"一遍完成任务的整个过程：

1.先从视频学习一遍：机器人“看”同类的操作视频，学习操作动作

2.准确预测完成任务的画面：通过视频生成模型，预测出自己完成任务时的RGB-D视频，既有颜色信息，更重要的是还有深度信息。

3.再根据想象的画面推理动作：从生成的视频中提取末端执行器的姿态信息

4.最后执行具体操作：通过低层控制器将姿态转化为可执行的运动指令

 [图.方法框图概览]

▍三项突破，让机器人更快学会操作

突破一：无需深度相机即可生成RGB-D视频

传统方法生成的只是2D RGB视频，没有空间信息，机器人无法在三维空间准确执行操作。而GVF-TAPE的突破在于，仅凭RGB图像就能生成RGB-D视频——既有颜色信息，也有深度信息，不需要再借助额外的深度相机来植入空间信息。

 [图. 生成RGB-D操作视频，第一行代表RGB图，第二行代表对应的深度图。]

这就像给机器人装上了"立体视觉"，让它能更准确地判断物体在三维空间中的位置。在仿真实验中，加入深度信息后，任务成功率平均提升了6.78%。更重要的是，不需要深度相机后，对于数据采集工具要求进一步降低，成本下降的同时效率也大幅提高。

突破二：与具体任务解耦的机器人姿态预测

让人眼前一亮的是GVF-TAPE的训练方式。不同于传统的手把手示教，它采用了"机器人随机探索"训练模式，机器人随机运动，就能获得对场景泛化有价值的数据：

机器人在环境中随意运动，利用内置的本体感知系统记录当前场景下机器人位姿（位置和姿态）。这些看似毫无章法的动作，实际上是在构建一个庞大的"场景-位姿"对应关系数据库，让算法对场景“免疫”，在任何场景都能识别机器人的位姿。

这种方法的巧妙之处在于：

动作与任务完全解耦，同一份数据可以用于训练各种不同任务，提高了数据复用率

数据采集完全自动化，不需要任何人工标注，大幅减少了人力成本，也加速了数据库的积累与迭代速度

可扩展性极强，数据库越大，泛化能力越强，模型将在更多任务中有更稳健的表现

通过这种自主探索方式，机器人建立了丰富的位姿数据库。面对新场景、新任务时，它能够调用相关经验，快速排除场景噪音，生成最优控制轨迹，真正实现了"一次训练，多任务、多场景应用"。

突破三：实时响应的视频生成速度

以往基于扩散模型（Diffusion Model）的视频生成方法，就像传统胶片相机的冲印过程——需要经过显影、定影等多个步骤才能得到清晰照片，往往要花好几秒甚至十几秒才能生成一段动作视频。

而GVF-TAPE采用了"流匹配"（Flow Matching）技术，就像数码相机的即拍即得——虽然两者都是通过降噪来生成清晰图像，但Flow Matching能用更少的步骤达到同样甚至更好的效果，将单个动作的预测时间缩短到0.6秒。

 [图. 生成质量对比]

从图中可以看到，左侧图表显示的是视频生成误差——流匹配（红线）在相同步数下，误差值大大小于扩散模型（蓝线）。右侧图表展示的是生成视频的图像质量，流匹配仅用前三步就达到了大大高于扩散模型的质量。这种速度提升，让机器人能够在不同场景下快速、准确地执行操作，真正实现了实时闭环控制。

▍实验验证：更高的效率和成功率

为了验证这种"先预测再操作"方法的有效性，研究团队在仿真和真实环境中都进行了大量测试。

仿真环境表现

在LIBERO基准测试中，GVF-TAPE与多个最先进的方法进行了对比。结果显示：

[图. 仿真试验结果]

在LIBERO-Spatial和LIBERO-Object测试中，GVF-TAPE分别取得了95.5%和86.7%的成功率

整体平均成功率达到83%，比第二名高出11.56%

最关键的是，其他方法都需要20%的动作标注数据，而GVF-TAPE完全不需要

实机部署验证

在真实环境中，研究团队测试了7个不同难度的任务，包括刚体、柔体和铰接物体操作等。具体包括把碗放进微波炉并关门、抓取纸巾、折叠衣服、把抹布扔进垃圾桶等。

从简单抓取到复杂的开合操作，从刚性到柔性物体，GVF-TAPE在不同场景和操作变化下都展现出了强大的适应性。特别值得一提的是，在引入人类操作视频进行预训练后，成功率从56%飙升至86%。

▍基于生成视频数据的自主操作探索再升级

作为该成果的研究团队成员之一，逐际动力一直在探索"多元数据配方"策略——通过整合不同模态、不同来源的数据，让机器人更高效地学习操作技能。在视频数据驱动的机器人训练这一方向上，他们取得了多项突破。

从分钟级延迟到亚秒级响应，实现了实时视频生成

从依赖深度相机到纯视觉生成，增强了空间感知能力

以本体随机探索替代人类示教，大幅降低了数据采集成本

这种持续的技术迭代，正在让视频数据成为机器人学习的"通用教材"，推动着具身智能向更实用、更高效的方向发展。

试想一下，未来的场景：工厂里的机器人，通过学习大量操作视频就能快速上岗；家里的服务机器人，参考网上的教程视频不断学习新技能；医院的手术机器人，通过观摩手术录像持续提升操作水平。

这种让机器人通过视频学习的能力，或许正是具身智能真正走向大规模应用的关键一步。

毕竟，谁不想身边有一个通过视频就学会干活的机器人助手呢？