arXiv · cs.LG· Hanqing Wang, Zhaotian Cai, Ruichuan An, Bohan Zeng, Tao Zhang, Yilin Chen, Xu Jiang, Kaiquan Chen, Chongyang Wu, Haoran Li, Fan Yang, Mingan Lin, Wentao Zhang, Zenan Zhou, Youzheng Wu·· 22 小时前
PDRVLA：带物理动态表示的视觉-语言-动作模型
PDRVLA: A Vision-Language-Action Model with Physical Dynamics Representations
AI 导读
PDRVLA 通过轻量级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，无需在线视频生成。该模块以直接预测未来 RGB、深度和光流特征进行学习，并用冻结的预训练视频世界模型做辅助监督。在四个仿真基准上成功率分别为 LIBERO 99.3%、LIBERO-Plus 89.9%、RoboTwin 2.0 93.6%、SimplerEnv 81.5%。
来源：arXiv · cs.LG · arxiv.org