# Uczenie robotów z nagrań ludzi

EN: **Learning robot skills from human videos** · id `humanvideo` · aliases: learning from human videos, egocentric video for robotics, human video pretraining, R3M, nauka z filmów

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Robotyka i embodied AI](https://aiatlasgraph.com/t/robotics.md) › [Dane i symulacja dla robotów](https://aiatlasgraph.com/t/robotdata.md) › Uczenie robotów z nagrań ludzi

## Description

- PL: Pretrening reprezentacji wizualnych na nagraniach ludzi, często egocentrycznych, aby ułatwić późniejsze uczenie manipulacji przez robota.
- EN: Pretraining visual representations on human video, often egocentric, to support later robot-manipulation learning.

## In one sentence

- PL: Wykorzystanie zwykłych filmów, na których ludzie gotują czy sprzątają, żeby roboty szybciej uczyły się pracy rękami.
- EN: Using ordinary videos of people cooking or cleaning to help robots learn hand tasks faster.

## Problem it solves

- PL: Nagrań robotów jest bardzo mało, a filmów z ludźmi wykonującymi codzienne czynności – ogromnie dużo.
- EN: Robot recordings are very scarce, while videos of people doing everyday chores are abundant.

## What it does

- PL: Robot najpierw ogląda, jak ludzie obchodzą się z przedmiotami, i uczy się, na co zwracać uwagę, zanim sam spróbuje.
- EN: The robot first watches how people handle objects and learns what to pay attention to before trying itself.

## Everyday example

- PL: Model uczy się reprezentacji z nagrań codziennych czynności ludzi, a potem pomaga robotowi nauczyć się otwierania szuflady z niewielu własnych demonstracji.
- EN: A model learns representations from videos of people's daily activities, then helps a robot learn drawer opening from a small number of its own demonstrations.

## This concerns you if you…

- PL: masz mało nagrań własnego robota
- PL: chcesz wykorzystać filmy jako materiał do nauki maszyn
- PL: ciekawi cię, jak roboty uczą się przez obserwację
- EN: have few recordings of your own robot
- EN: want to use videos as training material for machines
- EN: wonder how robots learn by watching

## Keywords

R3M · Ego4D · time-contrastive learning · video-language alignment · visual representation learning

## How it works

- PL: Enkoder obrazu uczy się na wideo ludzi przez kontrastowanie momentów w czasie i dopasowanie obrazu do języka, jak R3M na zbiorze Ego4D. Zamrożoną reprezentację podaje się następnie polityce uczonej z niewielu demonstracji robota.
- EN: An image encoder learns from human video through temporal contrast and vision-language alignment, as R3M does on Ego4D. The frozen representation is then supplied to a policy trained from a small number of robot demonstrations.

## Limits

- PL: Ludzka dłoń i chwytak robota działają inaczej, a wideo nie zawiera sił ani akcji silników. Zysk zależy od zadania i może maleć przy dużej ilości danych robotycznych. Ujęcia z filmów różnią się od perspektywy kamer robota.
- EN: Human hands and robot grippers work differently, and video lacks forces and motor actions. Gains depend on the task and may shrink with plentiful robot data. Video viewpoints differ from robot camera perspectives.

## Key terms

- PL: **wideo egocentryczne**: Film nagrany z perspektywy osoby, np. kamerą na głowie.
- PL: **kontrast czasowy**: Uczenie, że bliskie w czasie klatki powinny mieć podobną reprezentację.
- PL: **zamrożony enkoder**: Wytrenowana część modelu, której już się nie zmienia.
- EN: **egocentric video**: Footage recorded from a person's viewpoint, e.g. a head camera.
- EN: **time-contrastive learning**: Learning that frames close in time should have similar representations.
- EN: **frozen encoder**: A trained model part that is no longer updated.

## Know first

- [Rozumienie wideo (Video understanding)](https://aiatlasgraph.com/t/videounderstanding.md)
- [Reprezentacje i embeddingi (Representation learning)](https://aiatlasgraph.com/t/representations.md)

## Related topics

Untyped, symmetric "see also" links.

- [Rozpoznawanie akcji w wideo (Action recognition)](https://aiatlasgraph.com/t/actionrecognition.md)
- [Teleoperacja i zbiory demonstracji robotów (Teleoperation and robot demonstration datasets)](https://aiatlasgraph.com/t/teleopdata.md)
- [Uczenie grania z filmów z rozgrywki (VPT) (Video pretraining from gameplay videos)](https://aiatlasgraph.com/t/vptgames.md)

## Sources

- [R3M: A Universal Visual Representation for Robot Manipulation](<https://arxiv.org/abs/2203.12601>) `r3m-2022` · by S. Nair, A. Rajeswaran, V. Kumar, C. Finn, A. Gupta

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/humanvideo · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30