本文探讨了StageACT，一种基于人类示范的自主行走-操作策略，旨在解决人形机器人开门任务的复杂性。通过将任务分解为多个阶段并引入阶段条件化，该方法显著提高了成功率，尤其在处理观察歧义和失败恢复方面表现优异。此方法无需依赖外部感知或门的特定信息，展示了模仿学习在长时域任务中的潜力。

DoorMan提出了一种基于视觉的人形机器人行走-操作学习框架，专注于开门任务。该方法通过分阶段重置探索策略和GRPO微调，解决了部分可观测性问题，实现了从仿真到现实的迁移。研究表明，该策略在多种门类型上表现优异，任务完成时间缩短31.7%。