DiT4DiT

DiT4DiT 是一个结合视频生成模型与基于流匹配的动作预测的视觉-动作-模型 (VAM) 框架，旨在实现通用的机器人操作。其核心功能包括通过视频生成变换器和动作预测技术，支持桌面及全身控制任务，尤其在实时全身体人形机器人控制方面表现出色。该项目采用 Python 编写，是首个能够高效实现这一目标的 VAM 框架。适用于需要高度灵活性和适应性的机器人应用场景，如仓库整理、家具移动以及生产线作业等复杂环境下的自动化任务处理。