这样也能教会机器人？延世大学团队用看视频的方式让机器人学会人类动作

这项由延世大学的Hanjung Kim、Jaehyun Kang、Hyolim Kang、Meedeum Cho、Seon Joo Kim和Youngwoon Lee共同完成的研究发表于2025年5月，论文名为"UniSkill: Imitating Human Videos via Cross-Embodiment Skill Representations"。有兴趣深入了解的读者可以通过arXiv:2505.08787v3访问完整论文。

人类学习新技能的方式非常自然：看别人做一遍，然后自己模仿。但对机器人来说，这个看似简单的学习过程却充满挑战。人类有两条胳膊两条腿，而机器人可能有机械臂和夹爪；人类在客厅里叠衣服，机器人却要在工厂里搬运物品。这种差异就像让一个习惯用筷子的人突然改用叉子吃意大利面一样困难。

延世大学的研究团队开发了一个名为UniSkill的系统，它能够让机器人通过观看人类视频来学习技能，就好比给机器人配备了一副"翻译眼镜"，能够将人类的动作翻译成机器人能理解和执行的指令。这项研究的突破性在于，机器人不再需要专门为它量身定制的教学视频，而是可以直接从网上随处可见的人类行为视频中学习。

传统的机器人学习方法就像是让学生只能从专门编写的教科书中学习，而UniSkill则让机器人能够像人类一样从各种生活场景中汲取知识。研究团队通过训练两个互相配合的AI模型来实现这一目标：一个负责理解视频中的动作模式，另一个负责预测这些动作会产生什么结果。这种设计就像培养了一个既懂得观察又善于预测的学生。

实验结果令人印象深刻。在真实环境的测试中，当机器人观看人类演示视频后，它能够成功完成87%的任务，远远超过传统方法的33%成功率。更有趣的是，即使是完全没见过的机器人类型，比如一个叫做Anubis的双臂移动机器人，也能通过UniSkill系统学会执行任务，成功率达到54%。

这项研究的意义远远超出了实验室的范围。它为机器人大规模学习人类技能开辟了新的道路，让我们离真正智能的家用机器人又近了一步。将来，我们的机器人助手可能真的能够通过观看烹饪节目学会做菜，或者通过观看清洁视频学会整理房间。

一、让机器人"看懂"人类动作的奥秘

要理解UniSkill系统的工作原理，可以把它想象成一个极其聪明的翻译系统。当我们观看一个人在厨房里切菜的视频时，我们的大脑会自动提取出"拿起刀具"、"定位食材"、"切割动作"等关键信息。UniSkill做的事情本质上是相同的，但它要解决一个更复杂的问题：如何将这些动作信息转化为机器人能够执行的指令。

研究团队面临的第一个挑战是找到一种通用的方式来描述动作。人类的手很灵巧，能够做出各种精细动作，而机器人的夹爪设计完全不同。这就像试图用毛笔来模仿铅笔画的效果一样困难。传统的解决方案通常需要为每种机器人类型专门设计学习程序，这种方法既耗时又昂贵，就像为每个学生单独编写教材一样不现实。

UniSkill的创新之处在于它发现了一个重要规律：尽管不同的身体结构会产生不同的具体动作，但动作背后的意图和效果往往是相似的。当人类用手指夹起一个物体时，机器人用夹爪完成同样任务时，虽然具体的动作形式不同，但都会产生"物体从桌面移动到空中"这样的结果。

为了捕捉这种共同的动作本质，研究团队设计了一个巧妙的学习系统。这个系统包含两个相互配合的组件：逆向技能动力学模型和前向技能动力学模型。逆向模型的工作就像一个善于观察的侦探，它会仔细分析视频中两个不同时刻的画面，然后推断出这期间发生了什么样的动作。前向模型则像一个预言家，它会根据当前的画面和推断出的动作，预测接下来会发生什么。

这种设计的精妙之处在于它强迫系统关注真正重要的信息。如果逆向模型只是简单地记住画面的外观，那么前向模型就无法准确预测未来的变化。只有当逆向模型真正理解了动作的本质时，前向模型才能做出准确的预测。这就像训练一个学生不仅要记住公式，还要理解公式背后的原理，这样才能解决各种变化的题目。

研究团队还加入了一个特殊的技巧来提高系统的通用性。他们让系统不仅分析普通的视频画面，还要同时分析深度信息。深度信息就像给平面照片添加了立体感，它能帮助系统更好地理解物体在三维空间中的运动。这种设计让系统能够更加关注动作本身，而不是被背景环境或执行者的外观所干扰。

在训练过程中，系统会接触到大量不同类型的视频：有人类在家中做家务的视频，也有各种机器人在实验室中工作的视频。通过观察这些多样化的例子，系统逐渐学会了如何提取动作的核心特征，这些特征既能描述人类的行为，也能指导机器人的动作。

二、从观看到执行：机器人的学习过程

当UniSkill系统学会了如何理解视频中的动作后，下一个挑战就是让机器人能够根据这些理解来执行相应的任务。这个过程就像教会一个翻译官不仅要理解外语，还要能用本国语言准确表达出来。

机器人的学习过程分为两个阶段。第一个阶段是技能表示学习，这就像让机器人观看大量的动作视频，学会用一种通用的"语言"来描述各种动作。这种语言不是文字或语音，而是一种数学化的编码，能够精确地描述动作的特征和意图。在这个阶段，机器人就像一个勤奋的学生，通过观看成千上万个视频片段来积累经验和知识。

第二个阶段是技能条件化策略学习。在这个阶段，机器人开始学习如何将理解到的动作转化为具体的执行指令。这就像学会了理论知识的学生开始进行实际操作练习。机器人会用它自己的身体结构来尝试执行各种动作，逐渐掌握如何用机械臂和夹爪来实现人类用手完成的任务。

整个学习过程的巧妙之处在于它的通用性。传统的机器人学习方法通常需要针对每个具体任务进行专门训练，就像为每道菜单独学习一套烹饪方法。而UniSkill则更像是教会了机器人基本的烹饪原理，让它能够根据食谱灵活调整，应对各种不同的菜品。

在实际应用中，当我们给机器人展示一个人类演示视频时，系统会首先分析视频内容，提取出一系列技能表示。这些技能表示就像是对动作的"指纹识别"，每一个都对应着一个特定的动作模式。然后，机器人会按照时间顺序，逐个执行这些技能表示所对应的动作。

为了提高系统的鲁棒性，研究团队还在训练过程中加入了数据增强技术。这就像让学生不仅在理想的环境中练习，还要在各种干扰和变化的条件下练习一样。通过这种方式，机器人能够更好地适应真实世界中的各种不确定性和变化。

三、突破传统限制：无需配对数据的学习方法

UniSkill系统最令人印象深刻的特点之一是它不需要专门配对的训练数据。传统的跨身体形态学习方法就像是需要双语对照词典的翻译工作，必须要有人类动作和对应机器人动作的精确配对才能进行学习。这种要求使得数据收集变得极其困难和昂贵，就像要求每个外语词汇都必须有完全对应的本地语言解释一样不现实。

研究团队巧妙地绕过了这个限制。他们意识到，虽然人类和机器人的具体动作形式不同，但动作产生的视觉效果往往具有相似性。当人类用手推动一个杯子时，杯子会从一个位置移动到另一个位置；当机器人用夹爪做同样的事情时，杯子的移动轨迹可能非常相似。这种观察启发了他们设计一种基于视觉效果的学习方法。

系统的核心思想是通过图像编辑的方式来学习动作。这种方法就像教会系统成为一个优秀的动画师，能够根据给定的起始画面和动作描述，准确地绘制出动作完成后的画面。在训练过程中，系统会看到大量的前后画面对比，然后学习如何用简洁的编码来描述这种变化。

这种设计的聪明之处在于它能够自动过滤掉不重要的信息。当系统学习推杯子这个动作时，它会自动忽略推杯子的人是男是女、穿什么衣服、在什么环境中等无关信息，而专注于杯子位置变化这个核心效果。这就像一个优秀的老师能够从复杂的例子中提炼出最重要的知识点一样。

为了进一步提高学习效果，研究团队还引入了深度信息的使用。深度信息就像给平面画面添加了立体感，帮助系统更好地理解物体在三维空间中的运动。这种设计让系统能够更准确地理解动作的空间特征，而不会被视觉外观的变化所迷惑。

在实际应用中，这种方法表现出了惊人的泛化能力。系统不仅能够从专门的机器人训练视频中学习，还能够从网络上随处可见的人类行为视频中提取有用的信息。这就像培养了一个能够从各种渠道自主学习的学生，而不是只能从教科书中获取知识的传统学习者。

四、实验验证：真实世界中的表现

为了验证UniSkill系统的实际效果，研究团队设计了一系列全面的实验。这些实验不仅在实验室环境中进行，还扩展到了真实的生活场景中，就像让一个学生不仅要通过考试，还要在实际工作中展现能力一样。

实验设置包括了多个不同的环境和任务类型。在桌面实验中，机器人需要完成五个日常任务：从纸巾盒中抽出纸巾、推动蓝色毛巾、关闭垃圾桶盖、打开垃圾桶盖，以及将毛巾放入碗中。这些任务看似简单，但每一个都需要精确的空间定位和力度控制。在厨房环境实验中，机器人需要操作水龙头和处理食材，这些任务更加接近真实的家庭应用场景。

实验的设计非常巧妙，包含了三种不同类型的演示视频。第一种是同类型机器人的演示，这相当于让学生观看同班同学的表现；第二种是人类的演示视频，这就像让机器人观看完全不同形态的"老师"的示范；第三种是完全陌生的机器人类型的演示，这相当于观看来自其他学校学生的表现。

实验结果令人印象深刻。当机器人观看同类型机器人的演示时，UniSkill系统的成功率达到了87%，大大超过了传统方法33%的成功率。更令人惊喜的是，即使观看人类演示视频，系统仍然能够达到36%的成功率，而传统的基线方法在这种情况下几乎完全失败。

最具挑战性的测试来自于观看完全陌生的机器人演示。研究团队使用了一个名为Anubis的双臂移动机器人，这个机器人的结构和动作方式都与训练中使用的机器人完全不同。即使在这种极具挑战性的条件下，UniSkill系统仍然达到了54%的成功率，这充分证明了系统的泛化能力。

为了进一步测试系统的鲁棒性，研究团队还在不同的环境中进行了测试。他们创建了两个新的测试环境：一个改变了背景和物体的颜色，另一个添加了各种干扰物品。在这些更具挑战性的环境中，UniSkill系统仍然表现出了良好的适应性，成功率虽然有所下降，但仍然远超传统方法。

实验还揭示了系统的一个有趣特性：组合技能的能力。研究团队发现，即使系统只在单个任务上进行训练，它也能够将多个技能组合起来完成更复杂的任务。这就像一个学会了基本烹饪技巧的人能够组合这些技巧来制作新的菜品一样。

五、技术创新：深度学习遇上机器人学

UniSkill系统的技术架构体现了深度学习在机器人领域的创新应用。整个系统的核心是两个相互配合的神经网络模型，它们就像一对配合默契的搭档，一个负责理解，另一个负责验证。

逆向技能动力学模型使用了先进的视觉编码技术。这个模型就像一个极其敏锐的观察者，能够从视频的前后两帧中提取出动作的本质特征。为了提高理解的准确性，模型不仅分析普通的RGB图像，还会分析深度信息。深度信息的加入就像给观察者戴上了一副特殊的眼镜，能够更好地理解物体在三维空间中的位置和运动。

前向技能动力学模型则采用了图像生成技术。这个模型的工作原理类似于那些能够根据文字描述生成图像的AI系统，但它是根据动作编码来预测未来的画面。这种设计确保了动作编码真正捕捉到了有意义的信息，而不是简单的画面记忆。

技能条件化策略网络使用了扩散策略架构，这是一种在机器人控制领域表现优异的技术。这种架构就像一个优秀的指挥家，能够将高层的动作意图转化为具体的关节运动指令。通过结合视觉信息和技能编码，策略网络能够生成平滑、自然的机器人动作序列。

系统的训练过程也展现了现代机器学习的优势。研究团队使用了多个大规模数据集，包括人类行为视频数据集Something-Something V2和H2O，以及机器人数据集DROID、BridgeV2和LIBERO。这种大规模、多样化的训练数据就像给学生提供了丰富的学习资源，使系统能够掌握各种不同的动作模式。

为了提高训练效率和效果，研究团队还采用了多种技术优化。他们使用了数据增强技术来提高系统的鲁棒性，就像让学生在各种不同的条件下练习以提高适应能力。他们还采用了渐进式训练策略，先让系统掌握基本技能，然后逐步提高难度。

六、对比验证：超越现有方法的表现

为了证明UniSkill系统的优越性，研究团队进行了详细的对比实验。他们选择了两个主要的对比方法：目标条件行为克隆和XSkill方法。这种对比就像在同一个赛道上让不同的选手比赛，看谁能跑得更快更稳。

目标条件行为克隆是一种传统的机器人学习方法，它的工作方式类似于给机器人展示目标图片，然后让机器人学习如何到达那个状态。这种方法的优点是概念简单，但缺点是难以处理不同身体形态之间的差异。当机器人看到人类手部动作的目标图片时，它很难理解如何用自己的夹爪来实现相同的效果。

XSkill是另一种跨身体形态学习方法，它尝试通过聚类技术来找到人类和机器人动作之间的对应关系。这种方法就像试图在两种不同的语言之间建立词汇对照表，虽然在某些情况下有效，但需要相同场景下的人类和机器人演示数据，这大大限制了它的实用性。

在真实世界的测试中，UniSkill系统展现出了明显的优势。在桌面任务中，当使用机器人演示视频时，UniSkill的平均成功率达到81%，而目标条件行为克隆只有60%，XSkill为61%。更重要的是，当使用人类演示视频时，UniSkill仍然能够达到36%的成功率，而其他两种方法基本上完全失败。

在厨房环境的测试中，差异更加明显。面对来自完全不同机器人的演示视频，UniSkill达到了54%的成功率，而目标条件行为克隆只有33%。这种差异充分说明了UniSkill在处理跨身体形态学习方面的优势。

研究团队还进行了技能组合能力的测试，这是一个特别有趣的实验。他们让机器人尝试完成由多个基本技能组合而成的复杂任务，比如先打开垃圾桶，然后抽出纸巾，接着拿毛巾放入碗中，最后关闭垃圾桶。在这种测试中，UniSkill系统表现出了良好的组合能力，即使是面对从未见过的任务组合，也能达到42%的成功率。

仿真环境的测试进一步验证了系统的通用性。在LIBERO基准测试中，UniSkill在机器人演示条件下达到了91%的成功率，而在人类演示条件下仍然保持了48%的成功率。这些结果一致性地证明了UniSkill方法的有效性和鲁棒性。

七、深入分析：系统的工作机制

为了更好地理解UniSkill系统的工作原理，研究团队进行了详细的分析实验。这些分析就像给一台精密机器做全面体检，要弄清楚每个部分是如何发挥作用的。

首先，研究团队验证了系统确实学会了捕捉动作的本质特征。他们通过可视化技术展示了前向技能动力学模型的预测结果，发现即使给定相同的起始画面，当输入不同的技能编码时，模型能够生成完全不同的未来画面。这证明了技能编码确实包含了有意义的动作信息，而不仅仅是画面的复制。

更有趣的是，研究团队发现系统具有身体形态无关的特性。当他们分析不同身体形态执行相同任务时产生的技能编码时，发现这些编码在数学空间中聚集在相似的区域。这就像不同的人用不同的方式说同一句话，但表达的意思是相同的。这种特性正是系统能够实现跨身体形态学习的关键。

研究团队还测试了系统对数据规模的敏感性。他们发现，随着训练数据的增加，系统的性能持续提升。特别值得注意的是，加入人类视频数据带来了显著的性能提升，这证明了大规模、多样化数据的重要性。这就像一个学生接触的知识面越广，解决问题的能力就越强。

深度信息的作用也得到了验证。研究团队比较了使用和不使用深度信息的系统性能，发现深度信息的加入显著提高了技能表示的质量。通过聚类分析，他们发现使用深度信息的系统产生的技能编码更加紧密地按照任务类型聚集，而不是按照身体形态聚集。

技能间隔参数的选择也经过了仔细的研究。研究团队测试了不同的时间间隔对系统性能的影响，发现20帧的间隔（约1.3秒）能够达到最佳的平衡点。间隔太短会导致动作信息不够丰富，间隔太长则会包含过多不相关的信息。

数据增强策略的效果同样得到了验证。通过在训练过程中对图像进行各种变换，系统的鲁棒性得到了显著提升。这种策略就像让学生在各种不同的环境和条件下练习，提高了他们在实际应用中的适应能力。

八、实际应用：从实验室到现实世界

UniSkill系统的真正价值在于它在现实世界中的应用潜力。研究团队不仅在理想的实验室条件下测试了系统，还在各种具有挑战性的真实环境中进行了验证。

在家庭环境的应用中，研究团队设置了两个新的测试场景来模拟真实的使用条件。第一个场景改变了桌面的背景颜色，使用了不同形状和颜色的物品，这就像把机器人从一个家庭搬到另一个完全不同装修风格的家庭。第二个场景增加了各种干扰物品，包括玩具、额外的容器和其他杂物，模拟了真实家庭环境中的复杂性。

在这些更具挑战性的环境中，UniSkill系统展现出了良好的适应性。虽然成功率有所下降，但仍然远超传统方法。这种表现证明了系统确实学会了动作的本质特征，而不是简单地记住了特定环境的外观。

速度适应性测试揭示了系统的另一个有趣特性。研究团队测试了不同播放速度的演示视频对系统性能的影响，发现系统在正常速度和稍快速度下表现最好。这个发现对实际应用很有意义，因为它告诉我们如何制作最有效的教学视频。

空间敏感性分析则帮助我们理解了系统的局限性。当目标物体的位置与演示视频中的位置偏差较大时，系统的性能会下降。这就像一个学生虽然学会了在特定位置写字，但当纸张位置发生较大变化时可能会感到困难。这个发现指出了未来改进的方向。

跨机器人平台的测试可能是最令人兴奋的结果之一。研究团队使用了一个完全不同设计的机器人Anubis来测试系统的泛化能力。Anubis是一个双臂移动机器人，其结构和运动方式与训练中使用的单臂机器人完全不同。即使面对这样的挑战，UniSkill系统仍然能够成功完成任务，这证明了技能表示确实具有跨平台的通用性。

在工业应用的前景方面，UniSkill系统展现出了巨大的潜力。传统的工业机器人编程需要专业技术人员根据每个具体任务编写复杂的程序。而UniSkill系统可能让非专业人员通过简单的演示视频来教会机器人新的任务，这将大大降低机器人应用的门槛。

九、技术挑战与解决方案

在开发UniSkill系统的过程中，研究团队遇到了许多技术挑战，他们的解决方案展现了创新思维和工程智慧。

第一个主要挑战是如何处理视觉外观的巨大差异。人类的手和机器人的夹爪在外观上完全不同，背景环境也可能千差万别。传统的视觉学习方法容易被这些表面差异所迷惑，就像一个只看过黑白照片的人突然看到彩色照片时可能会感到困惑。

研究团队的解决方案是引入深度信息和基于图像编辑的学习框架。深度信息帮助系统理解物体的三维结构和空间关系，而不仅仅是表面的颜色和纹理。图像编辑框架则迫使系统关注真正的动态变化，而不是静态的外观特征。这种设计就像教会系统透过现象看本质的能力。

第二个挑战是如何在没有配对数据的情况下进行学习。传统的跨模态学习通常需要精确对应的数据对，但收集这样的数据既昂贵又耗时。研究团队巧妙地利用了视觉效果的相似性，通过预测未来画面的方式来验证动作理解的正确性。这种方法就像通过观察结果来判断原因的推理过程。

数据规模和多样性也是一个重要挑战。要让系统真正具有通用性，需要接触到大量不同类型的动作和场景。研究团队通过整合多个公开数据集，包括人类行为数据集和机器人数据集，构建了一个规模庞大且多样化的训练集。这种数据整合策略就像为学生准备了一个内容丰富的图书馆。

实时性能是另一个需要考虑的因素。在实际应用中，机器人需要能够快速响应新的演示视频。研究团队通过优化模型架构和使用高效的推理算法，确保系统能够在合理的时间内完成技能提取和动作规划。

鲁棒性问题也得到了特别关注。真实世界充满了不确定性和意外情况，机器人需要能够处理各种干扰和变化。研究团队通过数据增强、多样化训练和鲁棒性验证来提高系统的可靠性。这就像为学生准备各种可能遇到的考试题型。

十、未来展望与应用前景

UniSkill系统的成功为机器人学习领域开辟了新的可能性，但这仅仅是一个开始。研究团队已经指出了几个重要的发展方向，这些方向可能会进一步扩展系统的应用范围和性能。

首先是技能时长的自适应问题。目前的系统使用固定的时间间隔来提取技能，但不同的动作可能需要不同的执行时间。人类拿起一个杯子可能只需要一秒钟，但完成一个复杂的组装任务可能需要几分钟。未来的改进可能会让系统自动判断每个动作的合适时长，就像一个经验丰富的老师能够根据学生的学习速度调整教学节奏一样。

视角变化的处理是另一个重要的改进方向。目前的系统在处理视角急剧变化的视频时还有困难，特别是第一人称视角的人类演示视频。未来的研究可能会开发更强大的视角不变性技术，让系统能够从任何角度的演示中学习。

多模态学习的整合也具有巨大潜力。除了视觉信息，人类在学习新技能时还会依赖听觉、触觉等多种感官信息。未来的系统可能会整合语音指令、力反馈信息等多种模态，创造更加自然和高效的学习体验。这就像给机器人配备了更加丰富的感知能力。

在应用场景方面，UniSkill系统有望在多个领域产生重要影响。在家庭服务机器人领域，系统可能让普通用户通过简单的演示来教会机器人做家务。在工业自动化领域，工人可能通过演示新的操作流程来快速配置生产线机器人。在医疗康复领域，机器人可能通过观察理疗师的动作来学习辅助治疗技术。

教育和培训领域也可能从中受益。机器人教练可能通过观看专业运动员的训练视频来学习指导技巧，然后为学习者提供个性化的指导。这种应用可能会让高质量的技能传授变得更加普及和可负担。

商业化前景同样令人期待。随着技术的成熟，我们可能会看到专门的机器人技能学习平台，用户可以在平台上分享和获取各种技能演示视频。这种模式可能会创造一个全新的数字经济生态系统。

然而，研究团队也坦诚地指出了当前系统的局限性。精确的物体交互仍然是一个挑战，特别是需要精确力控制的任务。系统对空间位置变化的敏感性也需要进一步改善。此外，将系统应用到完全陌生的环境中仍然需要一定的适应时间。

环境泛化能力的提升是另一个重要的研究方向。虽然现在的系统已经表现出了良好的跨环境能力，但要达到真正的通用性，还需要在更多样化的环境中进行训练和测试。这包括不同的光照条件、不同的物理环境、不同的任务复杂度等。

安全性和可靠性也是实际应用中必须考虑的因素。机器人在学习新技能时，需要确保不会对环境或人类造成伤害。这可能需要在系统中集成安全约束和风险评估机制。

说到底，UniSkill系统代表了机器人学习领域的一个重要突破。它不仅解决了长期存在的跨身体形态学习问题，还为大规模机器人技能获取开辟了新的道路。虽然还有许多挑战需要克服，但这项研究为我们展现了一个令人兴奋的未来：机器人可能真的会像人类一样，通过观察和模仿来学习新的技能。

这种技术的普及可能会彻底改变我们与机器人交互的方式。不再需要复杂的编程知识，也不再需要昂贵的专业培训，普通人就能够通过简单的演示来教会机器人完成各种任务。这不仅会让机器人技术更加民主化，也会加速机器人在各个领域的应用和普及。

从更广阔的角度来看，UniSkill系统体现了人工智能技术发展的一个重要趋势：从专门化、封闭化向通用化、开放化的转变。这种转变不仅提高了技术的实用性，也降低了应用的门槛，让更多的人能够从技术进步中受益。

有兴趣进一步了解这项研究的读者，可以通过arXiv:2505.08787v3访问完整的学术论文，其中包含了更详细的技术细节和实验数据。

Q&A

Q1：UniSkill是什么？它能做什么？ A：UniSkill是延世大学开发的机器人学习系统，它的核心能力是让机器人通过观看人类或其他机器人的演示视频来学习新技能。就像人类通过模仿学习一样，机器人可以从视频中提取动作的本质特征，然后用自己的身体结构来执行类似的任务，不需要专门的配对训练数据。

Q2：UniSkill会不会取代传统的机器人编程方式？ A：目前不会完全取代，但会大大简化机器人的技能获取过程。传统编程仍然在精确控制和复杂逻辑处理方面有优势，但UniSkill让普通人也能通过演示视频来教会机器人新技能，这会让机器人技术更加普及和易用。

Q3：普通人能使用UniSkill技术吗？有什么要求？ A：目前UniSkill还处于研究阶段，普通消费者还无法直接使用。但从技术原理来看，未来的应用会非常简单——只需要用摄像头录制演示视频，然后让机器人观看学习。不需要编程知识，也不需要复杂的设备配置。