PDRVLA：用物理动态表示驱动视觉-语言-动作模型

论文作者发布 PDRVLA 视觉-语言-动作模型，其轻量物理动态模块从视觉-语言特征中提取物理 token，用来条件化动作生成，无需在线生成视频。 该模块通过直接预测未来 RGB、深度和光流特征来学习，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，经人转机器人合成、子任务标注和 ECoT 标注扩充。上述效果为作者在论文中的表述。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。