PDRVLA: A Vision-Language-Action Model with Physical Dynamics Representations

Đoạn trích bài viết

Các mô hình Vision-Language-Action (VLA) tạo ra các hành động của robot từ quan sát trực quan và hướng dẫn ngôn ngữ, nhưng sự hiểu biết của họ về động lực vật lý vẫn hạn chế. Các mô hình thế giới video có thể ghi lại động lực cảnh, nhưng tạo ra các video trong tương lai giới thiệu độ trễ cao vào vòng điều khiển. Chúng ta.