**HuRo：将人类视频机器人化，为 VLA 预训练提供可扩展监督**

_HuRo: Robotizing Human Videos for Scalable VLA Pretraining_

> 该研究系统考察了「机器人化」人类视频能否作为 VLA 预训练的有效且可扩展的监督来源。作者构建了一套机器人化流水线，把异构人类视频转换为与机器人对齐的观测和动作轨迹，并在不同标注级别上推断缺失的中间信号，由此得到 HuRo 数据集：来自五个人类视频来源、约 63 万个机器人化 episode、1.42 亿帧。在四项真实世界操作任务中，增加机器人化预训练数据使整体完成率从 51.5% 提升至 80.3%，空间与视觉偏移下的 OOD 完成率从 34.9% 提升至 72.2%。消融实验表明，视觉层面的机器人化可提升 OOD 鲁棒性，而使用重定向动作进行端到端预训练优于仅做视觉迁移。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-22 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.10706)