Nvidia GR00T 2 从人类视频学习动作，并预测机器人执行画面

Nvidia's model GR00T 2 watches humans on video, then imagines itself as the robot

Nvidia 推出 GR00T 2，通过同时预测动作和未来视频画面，将人类示范中的动作迁移到机器人，减少新任务训练所需的遥操作。模型使用约 400,000 小时的人类视频训练，实验中未经对应任务遥操作的机器人完成点火柴、切香蕉等任务，成功率介于 10%–80%。系统尚不处理直接触觉传感数据，配合高层语言模型规划时也存在延迟，垃圾分类测试中机器人约三分之一的时间处于等待状态。