arXiv cs.AI· Bingzhang Wang, Nathan Zhao, Jialeng Ni, Jiayin Zheng, Yin Zhang, Kehua Chen, Jian Yao·· 1 天前AI 评分49
DASH：解耦异步系统让人形机器人 VLA 模型控制延迟不再受骨干规模影响
Decoupled Asynchronous System for Humanoids (DASH): Latency-Agnostic Scaling of Vision-Language-Action Models for Humanoid Manipulation
AI 导读
DASH 将人形机器人策略拆分为慢速视觉语言模型（System 2）与快速流匹配动作头（System 1），通过 LCM 协议并发运行，使控制频率仅由动作头决定。
正文 · AI 翻译
摘要：视觉-语言-动作（VLA）模型将视觉-语言骨干网络与动作头配对，但在闭环控制中，骨干网络位于控制关键路径上：在其计算期间，机器人仍在运动，因此每个执行的动作都基于越来越过时的观测。因此，更大的骨干网络会直接阻碍反应性，尤其是在人形灵巧操作中。我们提出 DASH，一种用于人形机器人的解耦异步系统，消除了这种耦合。DASH 将策略拆分为慢速视觉-语言模型（系统 2）和快速流匹配动作头（系统 1），二者通过 LCM 通信协议作为并发进程运行，因此控制频率仅由动作头决定，与骨干网络规模无关。动作头将来自冻结骨干网络的过时语义与其自身 ResNet 编码器的新鲜视觉融合，去同步训练使其暴露于部署时遇到的过时性，自适应时间聚合器在可变推理延迟下对齐重叠的动作块。在异步 RoboTwin 基准测试中（在模拟时间中计入推理延迟），DASH 在 0.8B 到 8B 骨干网络上保持 20 Hz 控制频率，而同步频率从 9.7 Hz 降至 4.1 Hz，且在每种规模下成功率都更高。在配备灵巧手的真实人形机器人上，DASH 的抓取放置成功率明显高于同步流水线。
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.11854 [cs.RO] |
| （或 arXiv:2611.11854v2 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.11854 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Bingzhang Wang [查看电子邮件]
[v1]
2026年11月9日星期一 04:23:14 UTC（5,720 KB）
[v2]
2026年11月12日星期四 07:42:29 UTC（5,720 KB）
来源：arXiv cs.AI · arxiv.org