想象一下：
如果你想教一个人叠衣服，最直观的方式是什么？
通常不是一连串冗长的口头指令："先捏住左袖口，向中线对折，右手暂时保持不动……" 而是直接动手演示一遍。对方只需观察你的动作，便能迅速领会：你期望的折叠方式、操作的先后顺序，以及双手如何协同配合。
这种 "看一遍就懂" 的能力，正是人类学习复杂操作任务的自然方式。然而，对于机器人而言，理解并复现这类涉及柔性物体（如衣物）的操作却极具挑战，布料形态多变、状态高维、遮挡频繁，且同一任务存在多种合理执行路径。
近期，帝国理工学院团队在越疆双臂机器人 X-Trainer 平台上，成功验证了基于上下文的柔性物体操作的范式，并在真实机器人上完成了端到端部署。相关成果发表于论文《Instant-Fold: In-Context Imitation Learning for Deformable Object Manipulation》。
该论文提出了一个叫 Instant-Fold 的系统。一种面向 DOM 的上下文内模仿学习（in-context imitation learning）框架，使机器人无需额外训练或微调，仅通过观看一次演示即可推断操作意图并自主执行，为柔性物体操作迈向 "看一次就会" 的通用模仿能力迈出了关键一步。
先看懂变形，再理解意图
Instant-Fold 的能力建立在两个关键步骤之上。
第一步：让机器人认得出变形后的衣服。
普通图像识别模型看到衣服折起来后，可能会以为这是一件 "完全不同的东西"。
Instant-Fold 的做法是：在训练时，让系统反复观察衣服在折叠过程中的变化，并告诉它："尽管画面变了，这里还是同一块袖子，那边还是同一个衣角"。
系统使用 RGB-D 相机信息，也就是普通颜色图像加上深度信息，把衣服理解成许多带有三维位置的小点。每个小点都同时记录：
它在空间中的位置，它看起来像什么。
简而言之，就是让机器人同时知道 "这块布在哪里" 和 "这块布是什么"。
Instant-Fold 利用模拟器中已知的衣服物理结构，让模型学习：同一块布料即使被折到另一面、出现褶皱或被部分遮挡，在模型内部也应该保有相近的识别结果。
这一训练方法叫作时序对比预训练。它相当于训练机器人拥有 "衣服局部记忆"：衣服在变形，它也不会轻易认错部位。
第二步：看一次示范，理解 "这次要怎么叠"。
实际使用时，机器人会同时看两样东西：
人类演示的一小段叠衣服过程；
自己眼前这件衣服现在的状态。
它不会机械复制人的手部轨迹。因为人和机器人手臂结构不同，而且眼前衣服也不会和演示中的一模一样。
机器人真正做的是：从示范中提取关键意思，例如：
这次是先叠袖子还是先叠衣身；
左右两侧谁先动；
两只手应该同步还是轮流；
哪个位置该抓住，何时该松开。
之后，它再结合当前衣服的实际位置，现场规划适合自己的动作。
论文把负责 "读懂示范" 的部分称为 Context Encoder（上下文编码器）。它像一个会做笔记的观察者，把示范中的衣服形状、双手位置、夹爪开合动作和步骤顺序整理成一份 "折叠说明书"。
而负责生成动作的部分叫作 Flow-Matching Action Decoder（流匹配动作解码器）。它像一个动作教练：根据这份说明书和当前衣服状态，持续给出双臂下一小段应该怎么移动的建议。
机器人不是一次把整套动作做完，而是 "做几步 — 再看一眼 — 再决定下一步"，这叫作闭环控制。它使机器人在衣服发生偏移、折得不完全整齐时，有机会及时修正。
训练与验证：仿真中学，真机上用
在测试能力的时候，团队并未在现实中反复训练机器人，而是在物理模拟器中通过域随机化生成了约 12 万条包含多样颜色、光照、摆放姿态及褶皱状态的虚拟轨迹，迫使模型学习通用的折叠规律而非死记硬背。
实验表明，
在没有见过的新折叠方式上：
使用语言指令时，条件成功率为 20.2%；
使用人类示范时，条件成功率提升到 42.3%；
加上完整的视觉预训练后，示范方案达到 58.3%。
实验印证了对复杂柔性操作而言，"看" 比 "听" 传递更多信息。
更关键的是，该系统实现了零样本仿真到真实迁移。团队把只在模拟器中训练过的系统，直接放到真实双臂机器人上测试，没有额外收集真实训练数据，也没有再微调模型。机器人面对了 8 类此前没见过的真实衣物，包括衬衫、短裤、上衣、运动夹克和牛仔夹克。
Instant-Fold 的平均成功率为 60.9%，高于论文中比较的其他方法：
ClothFunnels：9.4%
UniFolding：29.7%
UniGarmentManip：26.6%
这意味着，机器人虽然还不算 "百战百胜"，但已经能把在模拟世界中学到的能力直接带到现实里，并处理不同类型的真实衣物。
一种更自然的人机协作范式
Instant-Fold 的意义远不止自动叠衣服。它展示了一种更符合人类直觉的交互方式：当任务涉及复杂形变、难以用语言精确描述时，"做一次给机器人看" 比 "说清楚每一步" 更高效、更可靠。未来，这一范式有望拓展至整理床单、处理线缆、包装软质材料、装配柔性零件等广泛场景，推动机器人从 "执行预设技能" 走向 "理解人类意图" 的通用模仿能力。
（来源：越疆机器人）