DiMaS：转向视觉-语言-动作模型的分布匹配

基于流程匹配的视觉-语言-动作（VLA）模型已成为机器人操作的强大策略，但一项关键功能仍未得到充分探索：细粒度的行为控制，即通过干预机器人内部表征来控制机器人如何执行任务的能力。表示引导是一种成熟的语言和视觉语言模型的可解释性工具，其中行为特征通常被编码为线性方向，但我们表明这些经典方法在 VLA 中存在不足。我们提出了 DiMaS，这是一种针对流量匹配 VLA 量身定制的分布匹配转向策略，它在表示分布之间传输，而不是沿着固定方向移动，并表明它可以有效地控制两个最先进的 VLA 之间的行为。我们进一步研究了该策略的普遍性，因为它所学习和评估的任务变得越来越不同，描述了行为控制转移的地方和削弱的地方。最后，通过对动作专家的表示结构的分析，我们解释了为什么经典线性转向在视觉运动设置中存在不足：行为特征是线性可解码的，但不是线性可操纵的，这激发了 DiMaS 的分布匹配设计。我们的代码可在 https://github.com/pegah-kh/dimas 上公开获取，其他结果和视频可在 https://pegah-kh.github.io/dimas/ 上获取