DiMaS：視覚・言語・行動モデルを操るための分布マッチング戦略
DiMaSは、フローマッチング型視覚・言語・行動（VLA）モデル向けの分布マッチング戦略であり、ロボット操作における詳細な行動制御を可能にする。固定方向へのシフトではなく、表現分布間の輸送を行い、2つの最先端VLAで有効性が確認された。また、行動制御の転移可能性を分析し、線形誘導が視覚運動設定で失敗する理由を解明：行動特徴は線形に解読できるが線形に誘導できない。
arXivに投稿された論文「DiMaS: Distribution Matching for Steering Vision-Language-Action Models」が、ロボット操作におけるVLAモデルの詳細な行動制御に新たなアプローチを提示した。本論文は、Pegah Khayatan氏を含む4名の研究者によるもので、2026年7月15日に提出され、コードや補足動画が公開されている。
近年、フローマッチングに基づく視覚・言語・行動（VLA）モデルは、ロボット操作の強力な方策として注目を集めている。しかし、ロボットの内部表現に介入してその振る舞いを細かく制御する「詳細な行動制御」は、これまであまり研究されていなかった。言語モデルや視覚言語モデルでは、行動特徴を線形方向として符号化する表現誘導が一般的な解釈手法であるが、研究チームはこれらの古典的手法がVLAモデルでは十分に機能しないことを実証した。
そこで提案されたのがDiMaS（Distribution Matching for Steering）である。DiMaSは、固定方向へのシフトではなく、表現分布間の輸送により行動を制御する。具体的には、目標とする行動に対応する分布と現在の分布をマッチングさせることで、行動を滑らかに変化させる。この手法は、2つの最先端VLAモデルで有効性が確認され、モデルパラメータを変更せずに行動の調整が可能であることが示された。
さらに、学習タスクと評価タスクの類似性が低下するにつれて、行動制御の転移可能性がどのように変化するかを体系的に調査した。その結果、タスクが類似している場合は制御がほぼ完全に転移するが、差異が大きくなると転移効果が弱まることが明らかになった。このことから、VLAモデルの内部表現がタスクに依存していることが示唆される。
行動専門家の表現構造の分析により、線形誘導が視覚運動設定で失敗する理由が解明された。行動特徴は線形に解読可能（つまり、表現から行動意図を容易に読み取れる）であるにもかかわらず、線形に誘導不可能（単純な線形補間では行動を変更できない）であることが判明した。この発見が、DiMaSの分布マッチング設計の根拠となっている。DiMaSは、行動制御を最適輸送問題として捉え、2つの分布間の差を最小化することで滑らかな行動介入を実現する。
コードはGitHub（https://github.com/pegah-kh/dimas）で公開されており、補足結果や動画はプロジェクトページ（https://pegah-kh.github.io/dimas/）で閲覧可能である。DiMaSは、組み立て作業におけるエンドエフェクタの速度調整や、人間との協調作業における反応感度の変更など、精密な動作調整が必要な場面での応用が期待される。