V2-STRep：用 VLM 结构化任务表示从生成视频中获取可复用机器人技能

V2-STRep 是一个零样本框架，将视频生成模型合成的演示运动转换为可复用机器人技能，通过 VLM 提供的 2D 图像线索结合 RGB-D 观测提升到 3D，重建任务几何与候选抓取位姿。该表示以点、点法向、轴、平面和完整 6D 位姿等最小几何结构描述目标，并指定运动阶段、参考与任务约束。在六项真实世界操作任务上，其执行成功率优于基线，技能可跨场景迁移，并支持在新兼容指令下复用而无需重新生成视频。