VideoMimic是一种通过单目视频学习人类动作并转化为类人机器人控制策略的方法。该系统能够重建人类及其环境，训练机器人在不同场景中自主执行动作，如上下楼梯和坐下。研究表明，VideoMimic在多样化环境中表现出良好的鲁棒性，未来将扩展应用以实现更复杂的人机交互。

本文探讨了Humanoid-VLA模型，旨在解决人形机器人运动控制中的数据稀缺问题。通过将非自我中心的人体运动数据与语言描述对齐，利用自监督学习生成伪注释，提升模型的运动生成能力。该框架有效整合语言理解、场景感知与运动控制，推动人形机器人在复杂环境中的自主操作。