预测性监督
未来场景变化正成为控制的直接训练目标。Xiaomi-Robotics-U0生成具身观测和操作视频；加入其合成数据后，策略在分布外任务上的成功率从36.9%升至63.2%。WALA从无动作标签视频中学习语义和几何上的未来变化，再将这些潜在变化连接到可执行动作。在RoboCasa上，它的平均成功率达到75.2%，而基础策略为54.2%。Lumo-2采用相同的设计思路，在生成动作块前先预测与动作相关的潜在动力学，但其节选未提供数值化的基准差距。
趋势
机器人学习通过预测后果和对齐控制坐标获得提升
概览
上一個有数据的日窗口强调了对稀缺动作信号的高效利用。今天的论文延续了这一关注点，并进一步强调预测性监督和显式几何。生成的未来场景、无动作标签视频以及坐标对齐的输入都带来了可测量的策略增益。VIA还表明，能力较强的通用智能体可以通过精心设计的视觉界面控制机器人，无需针对机器人进行专门微调。
研究发现
坐标对齐的感知与动作
两种方法减少了隐式学习相机到动作几何关系的负担。以机器人为中心的点图将机器人坐标系中的XYZ坐标附加到图像网格上。在24项RoboCasa任务中，它将π₀.₅的成功率从55.3%提高到62.9%，在未见过的相机位置下增益更大。Pix2Act则在两个图像平面中预测连续的夹爪关键点轨迹，再通过三角测量将其转换为3D动作。在十项MimicGen任务中，它的平均成功率达到75.2%，比报告中的最强基线高12.1个百分点。这两项结果表明，显式空间定位是提高视角容忍度的实用途径。
资料来源
机器人监督最少的人类数据
在人类示范的帮助下，机器人数据进入训练流程前就能获得有用的结构。WALA从不含电机动作标签的视频中提取与动作相关的场景变化；只使用10%的带标签示范时，其成功率达到53.9%，而基础策略为18.1%。Regrind从一次人类示范开始，在重定向过程中保持手与物体的接触关系，并使用残差强化学习进行物理优化。在两种机器人手和两项工具使用任务中，仿真成功率为98.7%至99.8%；论文声称可以零样本迁移到硬件，但所检查的节选没有给出数值结果。