客户名称：Mondo Robotics、香港科技大学
应用类型：仿真模拟
项目时间：2026年3月
应用产品：人形机器人G1
应用类型：仿真模拟
项目概述：在具身智能领域，视觉 - 语言 - 动作（VLA）模型虽能迁移语义先验，但受限于静态图像 - text 预训练，难以捕捉物理动态；而视频生成模型虽蕴含丰富时空与物理信息，却未能与动作控制实现深度融合，导致泛化性与控制精度难以兼顾。为此，研究团队提出 DiT4DiT 框架，通过端到端联合训练视频扩散 Transformer（Video DiT）与动作扩散 Transformer（Action DiT），以视频生成过程中的中间去噪特征为桥梁，将动态生成能力与精确控制需求紧密耦合，在仿真与真实环境中均实现 state-of-the-art（SOTA）性能，为构建可扩展、高泛化的具身智能体提供了全新架构范式。项目地址：https://dit4dit.github.io/
项目成果： DiT4DiT 构建了 “生成式动态建模 + 精确动作控制” 的统一架构，首次实现视频扩散与动作扩散的端到端联合训练，以中间去噪特征为桥接，解决了动态生成与动作控制的协同难题，为具身智能提供了全新的 “动态感知 - 控制生成” 链路，通过视频模型内置的物理动态先验，大幅降低对动作数据的依赖，实现对 unseen 物体、场景变化的零样本泛化，推动具身智能体从 “特定任务适配” 向 “开放环境通用” 跨越。