少样本学习（Few-shot Learning）是机器学习的一个分支，旨在让模型通过极少量样本快速适应新任务。与传统的深度学习需要大量标注数据不同，少样本学习通过元学习（Meta-Learning）或迁移学习（Transfer Learning）等技术，使模型具备从少量示例中提取关键特征并泛化的能力。在机器人领域，这一技术尤为重要，因为现实场景中收集大量训练数据往往成本高昂或不可行。
在机器人应用中，少样本学习的价值体现在快速适应新环境和新任务上。例如，服务机器人可能只需观察几次人类演示，就能学会整理桌面或操作新电器；工业机械臂通过少量样本即可掌握不同形状零件的抓取策略。这种能力大幅降低了机器人部署的门槛，使得个性化服务和柔性制造成为可能。当前技术突破主要集中在如何将视觉、语言等模态信息与动作控制相结合，以及设计更高效的元学习框架。