用人视频预训练机器人VLA模型

这个工作的关键不是"用了人类视频"——之前RT-X、Open X-Embodiment也试过，而是加了可靠性感知权重来过滤人类视频中与机器人执行无关的噪声片段。之前的方法要么直接硬训导致策略漂移，要么需要昂贵的人工对齐标注。

从实验看，在CALVIN和LIBERO上比纯机器人数据预训练提升约15-20%，但论文没公开完整代码和训练成本。如果复现门槛不高，这可能是中小机器人团队绕过数据瓶颈的务实选择，建议等开源后优先测其在真实机械臂上的迁移稳定性。