自变量机器人团队近日宣布开源全新机器人学习框架HOST（Human-to-robot One-Shot Skill AcquisiTion），该框架通过创新性的学习机制，使机器人仅需观察数十秒的人类操作视频即可掌握新技能，同时保持原有技能不受影响。实验数据显示，机器人基于29秒人类视频学习新技能的成功率达62%，较传统零样本基线提升45%，数据需求量减少50倍，学习速度提升500倍。
研发团队突破传统模仿学习范式，提出"结果导向型"学习策略。不同于直接将人类动作映射为机器人指令的传统方法，HOST框架让机器人先预测动作执行后的预期结果，再逆向推导具体动作序列。这种设计灵感源自认知科学中的观察学习理论——人类通过先验知识在大脑中模拟动作效果，而非机械重复动作轨迹。
任务进度对齐机制是该框架的核心创新之一。针对人机操作速度差异导致的进度错位问题，研发团队采用动态时间规整算法，将视频帧与机器人操作步骤映射至统一向量空间。通过自动匹配"人类视频第X帧"与"机器人操作第Y步"，确保机器人执行每一步时都能获取与当前任务进度匹配的视觉反馈。实验表明，该技术将任务同步误差降低一个数量级。
框架采用双专家MoT架构构建级联策略模型，包含视觉预测与动作生成两个子系统。"视觉大脑"负责解析视频画面、定位任务阶段并预测未来场景，"动作大脑"则将预测结果转化为具体控制指令。这种分工机制使模型既能理解人类操作意图，又能生成符合机器人运动特性的执行方案。
训练过程分为两个阶段：同体预训练阶段让机器人通过分析自身操作视频，建立任务状态预测能力；人机视频训练阶段则通过人类示范视频，构建从人类行为到机器人动作的映射关系。这种渐进式训练方式使模型能够跨物种迁移技能，同时避免直接学习人类动作带来的运动学差异问题。
目前，HOST框架的完整代码与研究论文已向学术界和产业界开放。该技术为家庭服务机器人提供了新的发展路径——通过观察人类日常操作即可自主学习家务技能，无需专门的数据采集与模型微调过程。这项突破或将推动消费级机器人向更智能、更易用的方向发展。
