HumanEgo

HumanEgo 是一个面向机器人模仿学习的零样本框架，支持仅用数分钟人类第一人称视角（egocentric）视频实现机器人动作策略学习。其核心基于多模态视觉基础模型（如 SAM 2、Grounding DINO、CoTracker）与手部姿态估计（MediaPipe/WiLoR/HaMeR）协同建模，无需任务特定标注或机器人端交互数据，直接从原始 Aria 设备录制视频中提取时空动作表征并生成可执行轨迹。适用于家庭服务、工业协作等需快速部署机器人技能的现实场景，尤其适合小样本、低成本机器人技能泛化需求。