哈工大深圳等提出 SkeLAM：用骨架监督潜在动作，实现零样本跨形态运动迁移
把机器人世界模型里的运动表示和物体响应拆开，就能让模型不微调也看懂人类演示视频里的动作方向。
哈工大（深圳）与新加坡国立大学 Show Lab 等提出 SkeLAM，基于 Cosmos-Predict2.5-2B 世界模型，用约 10 小时机器人交互数据训练。它用机器人骨架监督视频中的潜在动作（latent action，从视频里提取的、压缩后的运动表示），把机械臂运动和物体响应的视觉变化拆成两个隐向量分别表示，让真实控制指令有明确的运动对齐目标。换成人类演示视频作输入、模型参数全部冻结时，生成的机械臂仍按演示方向运动。
正文摘录
.jpg)  基于预训练的 Cosmos-Predict2.5-2B，SkeLAM 使用总计约 10 小时的机器人交互数据进行训练。在人手到机器人的迁移实验中，输入换成人类演示，生成视频中的机械臂仍然呈现出与演示对应的运动方向。迁移时模型参数全部冻结，没有针对这些演示额外微调。 这项工作来自哈尔滨工业大学（深圳）、新加坡国立大学 Show Lab 等机构。团队用机器人骨架监督视频中的潜在动作（latent action），让运动隐向量更准确地表征机器人的运动，物体响应等视觉变化则由另一个隐向量保留。真实控制指令由此有了专门的运动表示作为对齐目标。 在 DROID 的评测中，相比 DreamDojo，SkeLAM 的末端轨迹误差降低了 19.5%，感知距离 LPIPS 降低了 11.1%。