Robot, který se učí od lidí: DYNA-2 zvládá úkoly po shlédnutí milionu hodin videí

Předtréninkový korpus: Společnost sestavila čtyři vnořené podmnožiny egocentrických lidských videí – 1 000, 10 000, 100 000 a 1 000 000 hodin – přičemž během předtréninku nebyla použita žádná data z robotických akcí . Po předtréninku je model dolaďován na relativně malém množství reálných robotických dat (hodiny nebo dokonce minuty), aby přenesl naučenou fyzickou intuici na konkrétní hardware .

První škálovací zákon pro přenos z člověka na robota

Dyna Robotics oznámila, co nazývá prvním škálovacím zákonem pro přenos mezi různými těly (cross-embodiment) v manipulaci . Tento objev je významný, protože dokazuje, že škálování lidských video dat vede k předvídatelnému a monotónnímu zlepšování robotického výkonu – což zrcadlí škálovací zákony, které transformovaly velké jazykové modely.

• Škálovací zákon na lidských datech: Napříč všemi čtyřmi řády (1K → 10K → 100K → 1M hodin) se všechny metriky kvality predikce videa zlepšovaly monotónně a dobře je popisuje mocninný zákon s pozorovaným plató .

• Zákon se přenáší na neviděná robotická data: Stejné kontrolní body byly vyhodnoceny zero-shot na 39 různých robotických úkolech na dvou stacionárních bimanuálních platformách. Výkon se monotónně zlepšoval s rostoucím objemem předtréninkových lidských videí, a to ještě před jakýmkoli roboticky specifickým dolaďováním . Jedna analýza ukázala, že při fixování dat s označenými akcemi na 50 000 hodin a přidání pouze video hodin klesla zero-shot chyba robotických akcí (MSE) z 0,340 na 0,120 .

• Škálování výkonu po dolaďování: Po dolaďování vzrostlo průměrné normalizované skóre napříč 14 robotickými úkoly z 20 % → 28 % → 45 % → 53 % dosažitelného maxima s rostoucím rozsahem předtréninku z 1K na 1M hodin .

Zlepšení míry úspěšnosti úkolů

Nejviditelnější zlepšení výkonu DYNA-2 jsou patrná ve třech klíčových oblastech:

• Přesná výroba: DYNA-2 zvýšil míru úspěšnosti úkolů z přibližně 20 % na 80–90 % pouze díky zvýšení rozsahu předtréninku, beze změn v datech pro dolaďování . Jedná se o 4 až 4,5násobné zlepšení čistě díky sledování většího množství lidských videí.

• Zero-shot nasazení u zákazníků: V reálných zákaznických provozech dosáhl DYNA-2 87% míry kvality, oproti 46 % u jeho předchůdce DYNA-1 založeného na VLA – zlepšení o 41 procentních bodů při stejném rozpočtu na dolaďování . V přímém fyzickém srovnání za identických tréninkových podmínek dokončil DYNA-2 úkoly 1,55× častěji než DYNA-1 a vyhrál 65 % přímých srovnání .

• Odšroubování víčka lahve (13 minut dat): S pouhými 13 minutami roboticky specifických demonstračních dat byl DYNA-2 adaptován k ovládání páru pětiprstých obratných rukou k odšroubování víčka lahve . Technická zpráva společnosti upřesňuje, že šlo zhruba o 10 minut robotických dat, přičemž rozsah předtréninku zvedl úspěšnost z 10 % při menších rozpočtech na 40–50 % při plném rozpočtu 1M hodin .

Důsledky pro budoucnost robotiky

Výsledky DYNA-2 zpochybňují převládající předpoklad, že roboti vyžadují velké množství úkolově specifických robotických dat. Tím, že demonstruje škálovací zákon, který se přenáší z lidského videa na robotický hardware, otevírá Dyna Robotics praktickou cestu k 10 milionům hodin tréninkových dat – s potenciálem umožnit robotům zvládnout nové fyzické úkoly během pouhých hodin lokálního dolaďování . Model v současnosti funguje jako systém provozovaný dodavatelem; Dyna Robotics neoznámila žádný veřejný checkpoint, API ani licenci pro DYNA-2 . Nezávislá replikace výsledků výzkumnou komunitou v robotice bude dalším krokem k jejich potvrzení .