PDRVLA：具备物理动力学表征的视觉-语言-动作模型
PDRVLA旨在提升机器人对物理动力学的理解，同时避免控制过程中生成视频带来的延迟。其轻量级模块从视觉-语言特征中提取物理标记，并通过预测未来的 RGB、深度和光流特征进行训练。训练完全依赖公开数据，并通过人类动作到机器人动作的合成等方式扩充数据。在四项模拟基准测试中，该模型在 LIBERO、LIBERO-Plus、RoboTwin 2.0 和 SimplerEnv 上的成功率分别为 99.3%、89.9%、93.6% 和 81.5%。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。