本研究提出FLEX框架，旨在解决物体操作中的持续接触挑战，特别是技能泛化问题。通过将机器人与物体解耦，该框架在力空间中学习操作策略，显著提高了训练效率，适用于多种机器人平台和物体类型。

该文综述机器人元学习与模仿学习进展，涵盖一次学习、元模仿及人类视频，使机器人从极少演示中掌握技能并泛化到新任务。研究包括前向一致性技能生成、原始像素端到端学习、多阶段视觉任务、未见物体姿态估计及Transformer注意力缩小领域差距，并验证了Baxter绳操作、TurtleBot导航等应用。