Jak byl DYNA-2 trénován

Velikost a zdroj datové sady

Trénovací datová sada čítala přes 1 000 000 hodin egocentrických (z pohledu první osoby) lidských videí – což odpovídá zhruba 170 letům nepřetržité bdělé zkušenosti . Videa zachycovala každodenní manipulační úkoly, jako je vaření, skládání, montáž a úklid . Během předtréninku nebyla použita žádná robotická akční data; robotická data byla zavedena až v malé fázi po tréninku nebo dolaďování, typicky 10 hodin nebo méně na úlohu .

Tréninkové cíle

Během předtréninku DYNA-2 používal cíl predikce videa – učení se predikovat budoucí snímky z minulých pozorování – v kombinaci s algoritmem ko-tréninku videa, který se současně učí vizuální reprezentace a predikci akcí . Tento přístup kontrastuje s architekturou VLA modelu DYNA-1, která přímo mapuje vnímání na robotické akce bez mezikroku predikce videa .

Společnost demonstrovala škálování napříč čtyřmi řády, od 1 000 hodin až po 1 000 000 hodin předtréninkových dat .

Zlepšení výkonu oproti DYNA-1

Společnost provedla přímá srovnání mezi DYNA-2 a DYNA-1 za stejných tréninkových podmínek a v reálném nasazení.

Srovnávací testování (7 úloh)

• DYNA-2 dokončil úkoly 1,55krát častěji než VLA-based DYNA-1 .
• V párovém srovnání vyhrál DYNA-2 65 % pokusů oproti 29 % u DYNA-1 .

Souhrnné výsledky benchmarků (14–15 úloh napříč 3 robotickými provedeními)

Průměrný normalizovaný výkon monotónně rostl s rozsahem předtréninku: 20 % → 28 % → 45 % → 53 % dosažitelného maxima, jak data škálovala od 1k → 10k → 100k → 1M hodin . Na úrovni 1M hodin dosáhl DYNA-2 nejsilnějšího reálného výkonu u 9 ze 14 úloh . Klíčová zlepšení na úrovni jednotlivých úloh zahrnovala:

• Otáčení klíčem v zámku: z 0% úspěšnosti (až do 100k hodin) na 90% úspěšnost při 1M hodinách .
• Odšroubování víčka lahve: z 10% úspěšnosti na 40–50 % při 1M hodinách, s použitím pouze ~10 minut robotických dat po tréninku .
• Cílené vyzvednutí nápoje (následování jazykových pokynů): zlepšení z 58 % na 83 % .

Reálné výrobní a zákaznické nasazení

• Vysoce přesné výrobní úkoly: úspěšnost vzrostla z ~20 % na 80–90 % pouze díky zvýšení rozsahu předtréninku, beze změn v datech po tréninku .
• Nasazení na nulu (zero-shot) u zákazníka: DYNA-2 zaznamenal 87% míru úspěšnosti ve srovnání se 46 % u DYNA-1 – o 41 procentních bodů lépe .
• Algoritmus ko-tréninku videa zvýšil skóre následování instrukcí o 133 % u úloh vyžadujících odlišné pohyby v reakci na uživatelské příkazy .

Škálovací zákon, který Dyna Robotics pozorovala

Dyna Robotics uvedla, co nazývá „prvním skutečným škálovacím zákonem v robotice poháněným výhradně lidskými daty“ . Klíčové charakteristiky:

• Škálovací zákon přenosu z člověka na robota: S rostoucím množstvím předtréninkových dat z egocentrických lidských videí napříč čtyřmi řády (1k → 1M hodin) se robotický výkon na dosud neviděném robotickém hardwaru zlepšoval předvídatelně, monotónně a log-lineárně – vzor, který společnost identifikuje jako škálovací zákon .
• Přenos napříč provedeními: Škálování platilo napříč dvěma různými robotickými provedeními (stacionární bimanuální platforma a semi-humanoidní prototyp), která model během předtréninku nikdy neviděl .
• Predikce akcí na nulu (zero-shot): Škálování lidských video dat také zlepšilo schopnost modelu predikovat akce na odložených robotických video datech, která nebyla během tréninku nikdy ukázána .

Společnost výslovně uvádí, že se jedná o „první svého druhu“ demonstraci, že škálování lidských pozorovacích dat, nikoli robotických akčních dat, může sloužit jako spolehlivá osa pro zlepšování fyzické robotické inteligence .

Proč na tom záleží

Pokud se nároky potvrdí nezávislým ověřením, Dyna Robotics ukázala praktickou cestu ke škálování robotické inteligence bez úzkého hrdla sběru drahých robotických akčních dat. Lidské video existuje v efektivně neomezeném měřítku. Společnost uvádí, že již pracuje na 10 milionech hodin tréninkových dat, což by robotům umožnilo zvládnout nové fyzické úkoly s pouhými hodinami místního dolaďování .

Jak byl DYNA-2 trénován

Velikost a zdroj datové sady

Trénovací datová sada čítala přes 1 000 000 hodin egocentrických (z pohledu první osoby) lidských videí – což odpovídá zhruba 170 letům nepřetržité bdělé zkušenosti . Videa zachycovala každodenní manipulační úkoly, jako je vaření, skládání, montáž a úklid . Během předtréninku nebyla použita žádná robotická akční data; robotická data byla zavedena až v malé fázi po tréninku nebo dolaďování, typicky 10 hodin nebo méně na úlohu .

Tréninkové cíle

Během předtréninku DYNA-2 používal cíl predikce videa – učení se predikovat budoucí snímky z minulých pozorování – v kombinaci s algoritmem ko-tréninku videa, který se současně učí vizuální reprezentace a predikci akcí . Tento přístup kontrastuje s architekturou VLA modelu DYNA-1, která přímo mapuje vnímání na robotické akce bez mezikroku predikce videa .

Společnost demonstrovala škálování napříč čtyřmi řády, od 1 000 hodin až po 1 000 000 hodin předtréninkových dat .

Zlepšení výkonu oproti DYNA-1

Společnost provedla přímá srovnání mezi DYNA-2 a DYNA-1 za stejných tréninkových podmínek a v reálném nasazení.

Srovnávací testování (7 úloh)

• DYNA-2 dokončil úkoly 1,55krát častěji než VLA-based DYNA-1 .
• V párovém srovnání vyhrál DYNA-2 65 % pokusů oproti 29 % u DYNA-1 .

Souhrnné výsledky benchmarků (14–15 úloh napříč 3 robotickými provedeními)

Průměrný normalizovaný výkon monotónně rostl s rozsahem předtréninku: 20 % → 28 % → 45 % → 53 % dosažitelného maxima, jak data škálovala od 1k → 10k → 100k → 1M hodin . Na úrovni 1M hodin dosáhl DYNA-2 nejsilnějšího reálného výkonu u 9 ze 14 úloh . Klíčová zlepšení na úrovni jednotlivých úloh zahrnovala:

• Otáčení klíčem v zámku: z 0% úspěšnosti (až do 100k hodin) na 90% úspěšnost při 1M hodinách .
• Odšroubování víčka lahve: z 10% úspěšnosti na 40–50 % při 1M hodinách, s použitím pouze ~10 minut robotických dat po tréninku .
• Cílené vyzvednutí nápoje (následování jazykových pokynů): zlepšení z 58 % na 83 % .

Reálné výrobní a zákaznické nasazení

• Vysoce přesné výrobní úkoly: úspěšnost vzrostla z ~20 % na 80–90 % pouze díky zvýšení rozsahu předtréninku, beze změn v datech po tréninku .
• Nasazení na nulu (zero-shot) u zákazníka: DYNA-2 zaznamenal 87% míru úspěšnosti ve srovnání se 46 % u DYNA-1 – o 41 procentních bodů lépe .
• Algoritmus ko-tréninku videa zvýšil skóre následování instrukcí o 133 % u úloh vyžadujících odlišné pohyby v reakci na uživatelské příkazy .

Škálovací zákon, který Dyna Robotics pozorovala

Dyna Robotics uvedla, co nazývá „prvním skutečným škálovacím zákonem v robotice poháněným výhradně lidskými daty“ . Klíčové charakteristiky:

• Škálovací zákon přenosu z člověka na robota: S rostoucím množstvím předtréninkových dat z egocentrických lidských videí napříč čtyřmi řády (1k → 1M hodin) se robotický výkon na dosud neviděném robotickém hardwaru zlepšoval předvídatelně, monotónně a log-lineárně – vzor, který společnost identifikuje jako škálovací zákon .
• Přenos napříč provedeními: Škálování platilo napříč dvěma různými robotickými provedeními (stacionární bimanuální platforma a semi-humanoidní prototyp), která model během předtréninku nikdy neviděl .
• Predikce akcí na nulu (zero-shot): Škálování lidských video dat také zlepšilo schopnost modelu predikovat akce na odložených robotických video datech, která nebyla během tréninku nikdy ukázána .

Společnost výslovně uvádí, že se jedná o „první svého druhu“ demonstraci, že škálování lidských pozorovacích dat, nikoli robotických akčních dat, může sloužit jako spolehlivá osa pro zlepšování fyzické robotické inteligence .

Proč na tom záleží

Pokud se nároky potvrdí nezávislým ověřením, Dyna Robotics ukázala praktickou cestu ke škálování robotické inteligence bez úzkého hrdla sběru drahých robotických akčních dat. Lidské video existuje v efektivně neomezeném měřítku. Společnost uvádí, že již pracuje na 10 milionech hodin tréninkových dat, což by robotům umožnilo zvládnout nové fyzické úkoly s pouhými hodinami místního dolaďování .