本文介绍了一种新型动作条件视频预测模型，能够模拟物体运动并推广至新对象。研究使用了59,000个机器人交互数据集，实验结果表明该模型在视频预测方面优于现有方法。此外，提出了多种基于图神经网络和动态表示的技术，提升了机器人在动态场景中的操作能力和效率。