PDRVLA为机器人控制引入物理动态表征
PDRVLA是一种视觉-语言-动作模型,其轻量级Physical Dynamics Module从视觉语言特征中提取物理标记,用于条件化动作生成,而无需在线生成视频。该模块预测未来的RGB、深度和光流特征,并利用冻结的预训练视频世界模型提供辅助监督。训练使用公开数据,并通过人到机器人合成、子任务标注和具身思维链标注进行扩展。论文作者报告PDRVLA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%。
PDRVLA通过使用物理动态表征而不在在线生成未来视频,来应对视频世界模型可能给控制循环带来的高延迟。报告还称,消融实验显示世界模型监督可改善未来预测,并评估了子任务条件化、未来物体位姿监督和具身思维链训练对动作成功率的影响。
Computer Science > Robotics
arXiv:2610.37381 (cs)
[Submitted on 27 Oct 2026]
Title:PDRVLA: A Vision-Language-Action Model with Physical Dynamics Representations
Authors: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
View a PDF of the paper titled PDRVLA: A Vision-Language-Action Model with Physical Dynamics Representations, by Hanqing Wang and 14 other authors
#PDRVLA#Physical Dynamics Module#LIBERO#LIBERO-Plus#RoboTwin 2.0#SimplerEnv