Video-to-BT框架利用视觉语言模型将人类示教视频分解为子任务并生成行为树，结合实时场景感知与反应式控制执行机器人装配。系统通过世界状态监控和恢复机制应对动态扰动，失败时触发重新规划，并引入人在回路验证，提升长时程装配任务的泛化性与鲁棒性。