何が起きたか

2026年11月9日掲載のarXiv論文は、ヒューマノイドの操作向けに、視覚言語行動（VLA）モデルの処理と動作制御を分離する「DASH」を提案した。非同期のRoboTwinベンチマークでは、バックボーンが0.8Bから8Bまでの範囲で制御周期20Hzを維持し、同期方式は9.7Hzから4.1Hzに低下した。論文によると、DASHは各モデル規模で同期方式より成功率が高く、実機の器用な手を持つヒューマノイドでもピック・アンド・プレースの成功率がより高かった。

詳細

DASHは、遅い視覚言語モデル（System 2）と速いフローマッチング方式のアクションヘッド（System 1）を別プロセスとして動かし、LCM通信プロトコルで連携させる。アクションヘッドは、固定されたバックボーンから得る遅延した意味情報と、独自のResNetエンコーダーが得る新しい視覚情報を統合する。論文は、実運用時の情報の古さを学習時に経験させる非同期学習と、推論遅延が変動する状況で重複する動作チャンクを整列させる適応型時間集約器も説明している。 RoboTwin評価では推論遅延をシミュレーション時間に反映した。実機評価について論文は、同期方式に比べたピック・アンド・プレースの成功率向上を報告しているが、要旨には成功率の数値は記載されていない。

Key Facts

DASHは、視覚言語モデルとアクションヘッドを同時進行の別プロセスとして動かし、LCM通信プロトコルで連携させる。[1]
アクションヘッドは、固定されたバックボーンの意味情報と、ResNetエンコーダーによる新しい視覚情報を統合する。[1]
非同期RoboTwinベンチマークで、DASHは0.8Bから8Bまでのバックボーン規模で20Hzの制御周期を維持した。[1]
同ベンチマークの同期方式は、バックボーン規模が0.8Bから8Bに拡大する範囲で制御周期が9.7Hzから4.1Hzに低下し、DASHはすべての規模でより高い成功率を示した。[1]
実機の器用な手を持つヒューマノイドで、DASHは同期方式よりピック・アンド・プレースの成功率が高かった。[1]

本紙の見方

この論文の技術的な主眼は、VLAのバックボーンを大きくすると推論中の観測が古くなり、ロボットの反応性を損なうという制御上の結合を、計算資源の増強ではなく処理の分離で扱う点にある。RoboTwinでは0.8Bから8Bまで制御周期を20Hzに保った一方、同期方式は9.7Hzから4.1Hzに低下した。したがって、報告された成果は、モデル規模を拡大しながら制御周期を維持する設計の実証と読める。ただし20Hzは当該ベンチマーク上の値であり、実機について同じ制御周期が示されたとは要旨から確認できない。 構成上、DASHは遅い視覚言語モデルを固定して意味情報の生成に使い、アクションヘッド側で新しい画像情報を取り込む。これは、バックボーンの出力を制御ループが待ち続けない一方、遅延した意味情報だけに依存しないようにする設計である。さらに、学習時に情報の古さを経験させ、可変遅延下で重複する動作チャンクを整列する処理を加えている。したがって、非同期化だけでなく、実行時の情報のずれを学習と集約の両方で扱うことが方式の要点となる。 業界構造への含意としては、VLAの評価でモデルの成功率だけでなく、推論遅延を含めた制御周期を併せて見る必要性が示される。特にヒューマノイドの器用な操作では、バックボーンの大型化が制御待ち時間を増やす可能性を、システム構成で切り離せるかが比較軸になり得る。また、DASHの結果は、アクションヘッドが新しい視覚情報を利用する構造に依存しているため、バックボーンを交換・拡大した場合にも同じ制御性能が得られると一般化はできない。未確定なのは、実機での成功率の数値、評価条件や試行数、制御周期、異なる作業・機体での再現性である。これらが示されなければ、シミュレーションの20Hz維持と実機での成功率向上を、同じ運用性能の証拠として扱うことはできない。

なぜ重要か

論文のRoboTwin評価では、バックボーン規模を0.8Bから8Bに広げてもDASHは20Hzを維持し、同期方式では制御周期が9.7Hzから4.1Hzに低下した。VLAをヒューマノイド操作に使う際、モデル規模と制御周期を別々に評価するだけでなく、推論遅延を含む制御性能を確認する必要があることを示す結果である。