PDRVLA es un modelo de visión-lenguaje-acción (VLA) diseñado para mejorar la comprensión de las dinámicas físicas en la generación de acciones robóticas. A diferencia de los modelos de mundo de video, que capturan la dinámica de la escena pero introducen alta latencia en el bucle de control al generar videos futuros, PDRVLA incorpora un módulo ligero de dinámica física. Este componente extrae tokens físicos de las características de visión-lenguaje para condicionar la generación de acciones sin necesidad de generar videos en línea, optimizando así la velocidad de respuesta.
El sistema aprende mediante la predicción directa de características futuras de RGB, profundidad y flujo óptico, utilizando un modelo de mundo de video preentrenado y congelado como supervisión auxiliar. El entrenamiento se basa exclusivamente en datos públicos, ampliados mediante síntesis humano-robot, anotación de subtareas y anotación de cadena de pensamiento encarnada (ECoT). En cuatro benchmarks de simulación, PDRVLA logra tasas de éxito del 99,3% en LIBERO, 89,9% en LIBERO-Plus, 93,6% en RoboTwin 2.0 y 81,5% en SimplerEnv. Las abstracciones del modelo demuestran que la supervisión del mundo mejora la predicción futura y evalúa cómo la condicción de subtareas y la supervisión de la pose de objetos afectan el éxito de la acción.