PDRVLA、物理ダイナミクス表現を備えたVision-Language-Actionモデル

PDRVLAは、将来の視覚特徴を予測する軽量なPhysical Dynamics Moduleを組み込んだVision-Language-Actionモデルである。オンラインでの動画生成を行わないため遅延を避けつつ、4つのシミュレーションベンチマークでLIBERO 99.3%、LIBERO-Plus 89.9%、RoboTwin 2.0 93.6%、SimplerEnv 81.5%の成功率を達成した。