DAM-VLA：解耦异步多模态视觉语言动作模型

视觉语言动作（VLA）模型继承了视觉语言预训练的共享同步时钟，以一种速率处理每个输入。这与物理交互不一致，在物理交互中，高频模态以数百赫兹的速度变化，视觉发展更慢，而语言在整个情节中保持不变。同步 VLA 对慢模态进行过采样，对快速模态进行欠采样，并以最低有效频率限制动作生成。我们假设，将每个模态的时间处理解耦，让每个模态以自己的传感器速率更新和保留信息，会产生更强的表示和更鲁棒的控制。我们提出了 DAM-VLA，它保持按传感器速率刷新的每种模态潜在缓冲区，并由动作头连续读取，通过门控交叉注意力集成新的高频模态，使预训练的主干保持完整。在七个接触丰富的现实世界操纵任务中，DAM-VLA 使最强同步基线的平均成功率提高了一倍以上（95.2% vs. 40.95%），同时保持平滑、反应性 100Hz 控制。项目网站：\href{https://intuitive-robots.github.io/DAM-VLA/}{intuitive-robots.github.io/DAM-VLA/}