ViT-H视频到人形机器人控制框架发布

2026年10月26日，arXiv Robotics 刊出 Zimo He 等作者的 ViT-H 视频到人形机器人控制框架。该框架采用“生成—跟踪”范式：用扩散模型直接从视频生成人形参考运动，跳过人体运动重建与重定向，并利用运动跟踪结果通过直接偏好优化对生成器做后训练。其自回归变体支持延迟低于 400 ms 的实时人形视频遥操作。在 Unitree G1 上的实验显示，ViT-H 在运动质量与可执行性上均优于现有“重建—重定向—跟踪”流水线，且随模型规模及预训练、后训练数据规模扩展表现良好。目前报道仅给出上述发布与实验结论，未提及开源、收费或部署限制等进一步信息。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。