DAM-VLA——手臂與夾爪解耦，三星研究院的動態動作VLA刷新機器人操控SOTA | ICRA 2026

一、背景

視覺-語言-動作（VLA）模型正成為機器人智能化的核心架構，但現有主流方法（如OpenVLA、π0、CogACT）存在一個根本性缺陷：用同一個動作模型統一處理所有類型的動作。這種「一刀切」的設計在面對機器人操控任務時暴露出兩大內在矛盾。

從任務特性來看，機器人操控存在兩種本質不同的動作類型：手臂大幅度運動（粗動作）需要全局場景理解、路徑約束寬松；夾爪精細操作（精細動作）需要局部精細聚焦、精確抓取姿態、容錯率極低。這兩種動作在路徑約束、視覺注意力和數據分布上有本質差異，用同一個模型兼顧「粗定位」與「精細操作」必然產生沖突。

此外，傳統方法缺乏對動作類型的主動感知與路由機制，無法根據當前操控階段動態分配合適的推理資源，導致在長時程復雜任務中錯誤率隨步驟增加而快速累積。DAM-VLA（Dynamic Action Model-Based Vision-Language-Action）首次將手臂運動與夾爪操作解耦建模，配合雙尺度加權機制實現了精準高效的機器人操控。

二、核心方法

DAM-VLA 的核心架構包含三大組件，各司其職，協同實現手臂-夾爪的精準解耦。

模塊一：雙通道視覺編碼與VLM骨架

同時采用DINOv2和SigLIP兩種視覺編碼器，輸出三類特征：普通視覺token用于多模態融合；DINOv2的class token（全局視覺表征）專門服務手臂運動模型；DINOv2的register token（局部視覺表征）專門服務夾爪操作模型。LLaMA-2的淺層輸出用于動作路由決策，深層輸出用于動作預測。這一設計使「全局感知」與「局部精細」的視覺信息分別流向對應的動作模型。

模塊二：VLM驅動的動作路由機制

利用VLM的推理能力判斷當前處于哪種操控階段，通過可學習路由權重w動態選擇激活手臂運動模型（w<0.5）或夾爪操作模型（w≥0.5）。兩個專用DiT擴散模型并行訓練：手臂運動模型接收全局視覺特征，預測大范圍粗動作；夾爪操作模型接收局部視覺特征，精細預測夾爪動作。動作路由實現了「該全局時全局，該精細時精細」的智能切換。

模塊三：雙尺度動作加權機制

軌跡級權重采用非對稱高斯分布（前沿σ=6寬、后沿σ=2窄），在夾爪狀態轉換點前后施加差異化權重，反映「操控前需要更充分準備」的人類直覺；Action-chunk級權重采用指數衰減（γ=0.8），確保近期動作預測權重更大。兩層加權機制聯合作用，顯著提升了操控的時序一致性。

三、亮點總結創新點一：真實機器人操控平均成功率86.8%

在Franka機器人的pick-and-place任務（80次試驗）中，DAM-VLA平均成功率達86.8%，遠超CogACT的62.9%（提升23.9個百分點）。分布內任務成功率91.4%（vs CogACT 65.7%），分布外泛化成功率82.2%（vs CogACT 60.0%），在仿真和真實環境中全面刷新SOTA。

創新點二：長時程任務最終成功率56%，超越所有基線

在FurnitureBench One-Leg組裝任務（連續5步操控）中，DAM-VLA最終成功率56%，遠超CogACT的42%和OpenVLA的29%。消融實驗顯示，雙尺度加權機制是核心貢獻，去掉后性能大幅下降，證明其對長時程動作連貫性的不可替代性。

創新點三：DINOv2 class/register token分工的關鍵發現

研究首次系統驗證了DINOv2的class token與register token具有天然的全局-局部信息分工——前者包含場景級全局語義，后者包含精細局部幾何信息。將兩類token分別路由給粗動作和精細動作模型，無需額外的特征對齊訓練，即可讓模型的「視覺感知」與「操控階段」高度匹配，為未來VLA模型的視覺編碼設計提供了重要的實證依據。

──────────────────────────────────────────

上述內容包含AI輔助生成，更詳細信息參見兩個鏈接 論文鏈接：https://arxiv.org/abs/2603.00926 解讀來源：https://research.samsung.com/blog/DAM-VLA-A-Dynamic-Action-Model-Based-Vision-Language-Action-Framework-for-Robot-Manipulation