PDRVLA：引入物理动态表示的视觉-语言-动作模型

PDRVLA 提出轻量物理动态模块，从视觉-语言特征中提取物理 token 来条件化动作生成，无需在线生成视频。该模块通过直接预测未来 RGB、深度和光流特征学习，并以冻结的预训练视频世界模型做辅助监督，训练数据全部来自公开数据并经人转机器人合成、子任务标注和 ECoT 标注扩充。