论文提出LAPT-Scale：人类视频潜在动作预训练提升VLA策略

Zhiyuan Xiang 等发布论文，提出基于人类视频的潜在动作预训练范式 LAPT-Scale：其中 LAPT-Scale-LAM 用连续潜在空间解释人类视频帧间视觉变化，并结合感知、语义和光流对齐信号，为策略预训练提供人类来源的隐式动作监督；LAPT-Scale-Policy 经人类视频潜在动作预训练、目标机器人形态对齐和任务后训练得到 VLA 策略。 基于论文摘要，策略使用 23.3K 小时第一视角视频预训练；作者称随着标注人类视频从 1K 小时扩展到 5K 小时，真实机器人成功率从 63.3% 提升至 85.0%，并呈现一致的规模增益。结果目前为论文作者声称，尚未见独立验证。

AI 根据报道生成 · 57 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。