人形机器人不再等大模型算完：DASH把控制频率锁在20赫兹，0.8B到8B骨干都跟得上
核心概要
人形机器人操作中，视觉-语言-动作模型的大骨干推理慢，同步执行时机器人只能拿过时观测动作，骨干越大控制频率越低。DASH把策略拆成慢速视觉-语言模型与快速流匹配动作头，经LCM协议以三个并发进程运行，控制频率只由动作头决定。在按模拟时间计入推理延迟的RoboTwin基准上，DASH在0.8B到8B骨干下都保持20赫兹，同步管线则从9.7赫兹降到4.1赫兹，且各规模成功率更高；真实灵巧手人形上，抓放成功为23/24，同步管线为16/24。
深度剖析
DASH把人形机器人上的视觉-语言-动作策略拆成两个独立时钟的模块：慢速视觉-语言模型负责语义，快速流匹配动作头负责出动作，控制频率因此不再随骨干变大而下降。 此前这类模型整体同步执行，动作要等骨干算完才可用，骨干越大延迟越长，控制频率越低。 在按模拟时间计入推理延迟的RoboTwin基准上，DASH在0.8B、2B、4B、8B骨干下都保持20赫兹，同步管线的控制频率则从9.7赫兹依次降到7.6、5.5和4.1赫兹。
动作头把冻结骨干给出的旧语义与自身ResNet编码器看到的新画面拼在一起，并在训练中随机错开两路输入的时间，使部署时的陈旧输入在训练中已经出现过。 同步训练只见过同一时刻对齐的输入，部署时动作头却要面对一个骨干周期之前的语义。 在50项RoboTwin任务、每个配置250个回合的评测中，DASH在四个骨干规模上的成功率都高于同步推理，4B时最高为69.5%，比同步高5.9个百分点；同样异步运行但用对齐数据训练时，成功率略低于同步推理。
重叠的动作块按实际到达间隔做分数偏移对齐，再用线性插值重采样，使异步推理的高出块密度变成更细的动作而不是抖动。 同步推理的周期固定，块偏移是已知整数；异步后推理时长逐块变化，偏移变成随时间变化的实数，直接取整会让执行超前。 在带两只灵巧手的真实人形机器人上做语言指定的桌面抓放，DASH配自适应聚合器成功23/24次，同步推理配固定偏移聚合器成功16/24次。
启示与展望
评测限于准静态的桌面抓放任务：仿真为RoboTwin的50项任务套件，真实平台为带两只灵巧手的人形机器人执行语言指定的抓放；作者明确把动态任务和长程任务列为下一步评估方向。
作者指出所评测任务均为准静态，并预期恒定控制频率与新画面在动态、长程任务上作用最大，这类场景尚未评测；仿真套件中部分任务未在训练示范中出现，绝对成功率因此保持在中等水平。