DiMaS：面向視覺-語言-動作模型的分佈匹配引導策略
DiMaS是一種專為流匹配視覺-語言-動作（VLA）模型設計的分佈匹配引導策略，通過在表示分佈之間進行傳輸而非沿固定方向移動，實現了對機器人操作行為的細粒度控制。該方法在兩種最先進的VLA上驗證了有效性，並分析了行為控制的可遷移性。研究表明，經典線性引導在視覺運動任務中失效，因為行為特徵線性可解碼但不可線性引導。
近日，來自arXiv的一篇論文提出了DiMaS（Distribution Matching for Steering），這是一種針對流匹配視覺-語言-動作（VLA）模型的分佈匹配引導策略。VLA模型已成為機器人操作領域的強大策略，但細粒度行為控制——即通過干預內部表示來調節機器人執行任務的方式——一直是一個未充分探索的關鍵能力。該論文由Pegah Khayatan等四位作者共同完成，於2026年7月15日提交，代碼已開源在GitHub上，並提供了補充結果和視頻。
在語言和視覺-語言模型中，表示引導是一種成熟的解釋工具，通常將行為特徵編碼為線性方向。然而，研究團隊發現這些經典方法在VLA中效果不佳。為此，他們提出了DiMaS，該方法不是在固定方向上移動，而是在表示分佈之間進行傳輸，從而有效控制行為。在兩種最先進的VLA模型上的實驗驗證了其有效性，證明了DiMaS能夠在不改變模型參數的情況下，通過干預中間表示來改變機器人的行為模式，例如調整抓取速度或運動軌跡。
研究進一步探討了該策略的可遷移性：隨着學習任務與評估任務之間差異增大，行為控制的遷移效果會發生變化。作者設計了不同相似度的任務對，系統性地評估了DiMaS的泛化能力。結果表明，當任務高度相似時，控制效果幾乎完全遷移；但隨着差異增大，遷移效果逐漸減弱，這揭示了VLA模型內部表示的任務依賴性。
通過分析動作專家的表示結構，論文解釋了經典線性引導在視覺運動設置中失效的原因：行為特徵雖然線性可解碼，但不可線性引導。這意味着可以輕鬆從表示中讀取行為意圖，但無法通過簡單的線性插值來改變行為。這一發現促使了DiMaS的分佈匹配設計，其核心思想是將行為控制視為一個最優傳輸問題，通過最小化兩個分佈之間的差異來實現平滑的行為干預。
該研究的代碼已公開在GitHub上（https://github.com/pegah-kh/dimas），並提供了補充結果和視頻（https://pegah-kh.github.io/dimas/）。DiMaS為機器人操作中的細粒度行為控制提供了新的思路，特別是在需要精確調節機器人動作的場景中具有潛在應用價值，例如在裝配任務中調整末端執行器的速度，或在人機協作中改變機器人的反應靈敏度。