在10月23日的长沙程序员节开幕式上，开发者被邀请来长沙工作与创业。文章介绍了改进的3D扩散策略iDP3和OKAMI人形机器人，后者通过单个RGB视频模仿人类操作，并结合视觉模型识别物体，提升在不同环境中的操作能力。

文章讨论了从人类视频中学习机器人操作技能的挑战与进展。传统方法面临动作信息不足和人机差异问题。研究者通过无监督图像翻译和关键点检测改善学习效果，介绍了如Learning by Watching、DexMV等研究，利用视觉语言模型提升机器人模仿学习的准确性和实用性。

本文介绍了一种视觉模仿学习方法，通过自监督学习从单个人类演示中学习机器人操作。该方法将模仿学习视为状态估计问题，利用末端执行器姿态作为状态。在训练中，摄像头自动围绕对象移动。测试时，机器人沿线性路径移动并重放演示速度，生成复杂交互轨迹。实验表明，该方法能从单次演示中学习多种技能，控制器稳定且可解释。