ヒューマノイド向け分離非同期システムDASH：VLAモデルの遅延非依存スケーリング

- ヒューマノイドの dexterous manipulation 向けに、VLA モデルを非同期化するシステム DASH を提案した研究。 - ポリシーを slow な vision-language model（System 2）と fast な flow-matching action head（System 1）に分割し、両者を concurrent processes として LCM communication protocol 上で動かす。 - 制御レートを action head 単独で決められるため、backbone サイズに依存しない制御を狙う。

- 従来の VLA は closed-loop 制御で backbone が control-critical path 上にあり、計算中もロボットが動くため executed action が古い観測に条件づけられる問題があった。 - backbone を大きくするほど reactivity が阻害される、特に humanoid dexterous manipulation で顕著という課題を指摘。 - DASH はこの結合を切り離し、backbone サイズに依らず制御レートを維持できる点が先行研究と異なる。

- ポリシーを slow な vision-language model（System 2）と fast な flow-matching action head（System 1）に分割。 - 両者を concurrent processes として LCM communication protocol 上で実行。 - action head は frozen backbone からの stale な semantics と、自身の ResNet encoder からの fresh な vision を融合。 - desynchronized training により deployment 時の staleness に晒す。 - adaptive temporal aggregator で variable inference latency 下の重複 action chunks を整合。

- 推論 latency を simulated time で課す asynchronous RoboTwin benchmark で評価。 - 0.8B から 8B の backbone で DASH は 20 Hz の制御レートを維持、synchronous は 9.7 から 4.1 Hz に低下。 - すべてのサイズで DASH が higher success を達成。 - dexterous hands を備えた real humanoid で、synchronous pipeline より明確に高い pick-and-place success を確認。

- 要旨からは不明（具体的な限界や失敗事例、計算コストの議論は記述されていない）。 - 示唆される論点として、stale semantics と fresh vision の融合設計や adaptive temporal aggregator の挙動が性能に与える影響が考えられるが、要旨には明記なし。

- 要旨で参照/比較されている synchronous VLA pipeline および flow-matching action head に関する研究。 - 関連手法として LCM communication protocol を用いた非同期ロボティクスシステム、RoboTwin benchmark を用いた VLA 評価研究。 - 具体的な論文名は要旨に記載がないため、上記の一般名・手法名を手がかりに辿るのが妥当。