机器人视频理解

UVA是一个专为机器人设计的模型，通过两阶段训练（视频生成+动作预测）实现视频理解与动作预测的统一。 它采用联合潜在空间优化、解耦解码等技术，支持多种机器人任务数据集（如PushT、Libero10），在多项任务中超越现有先进模型。 项目提供Colab笔记本快速体验，适用于模拟和真实机器人场景。