Hvordan DYNA-2 blev trænet

Datasættets størrelse og kilde

Træningsdatasættet bestod af over 1.000.000 timers egocentrisk (førstepersons) menneskelig video – svarende til cirka 170 års sammenhængende vågen erfaring . Videoerne optog dagligdags manipulationsopgaver som madlavning, foldning, samling og rengøring . Der blev ikke brugt robot-handlingsdata under fortræningen; robotdata blev kun introduceret i en lille eftertrænings- eller finjusteringsfase, typisk 10 timer eller mindre pr. opgave .

Træningsmål

Under fortræningen brugte DYNA-2 et videoprediktionsmål – at lære at forudsige fremtidige videorammer ud fra tidligere observationer – kombineret med en video-co-træningsalgoritme, der samtidig lærer visuelle repræsentationer og handlingsforudsigelse . Denne tilgang står i kontrast til VLA-arkitekturen i DYNA-1, som direkte oversætter perception til robothandlinger uden mellemliggende videoprediktion .

Virksomheden demonstrerede skalering på tværs af fire størrelsesordener, fra 1.000 timer op til 1.000.000 timers fortræningsdata .

Præstationsforbedringer i forhold til DYNA-1

Virksomheden gennemførte direkte sammenligninger mellem DYNA-2 og DYNA-1 under matchede træningsbetingelser og i virkelige deployment-scenarier.

Head-to-Head Benchmarktest (7 opgaver)

• DYNA-2 udførte opgaver 1,55 gange oftere end den VLA-baserede DYNA-1 .
• I parvise sammenligninger vandt DYNA-2 65% af forsøgene mod DYNA-1's 29% .

Samlede benchmarkresultater (14–15 opgaver på 3 robotplatforme)

Den gennemsnitlige normaliserede præstation steg monotont med fortræningsskalaen: 20% → 28% → 45% → 53% af det opnåelige maksimum, efterhånden som data skaleres fra 1k → 10k → 100k → 1M timer . Ved 1M-timers skalaen opnåede DYNA-2 den stærkeste virkelige præstation på 9 af 14 opgaver . Vigtige opgaveforbedringer inkluderede:

• Nøgledrejning i låsekasse: fra 0% succes (op til 100k timer) til 90% succes ved 1M timer .
• Skruelåg på flaske: fra 10% succes til 40–50% ved 1M timer, ved brug af kun ~10 minutters robot-eftertræningsdata .
• Målrettet drikkevarehentning (sprogforståelse): forbedret fra 58% til 83% .

Virkelig produktion og kundedrift

• Højpræcisionsfremstillingsopgaver: succesraten sprang fra ~20% til 80–90% udelukkende gennem øget fortræningsskala, uden ændringer i eftertræningsdata .
• Zero-shot-drift hos en kunde: DYNA-2 opnåede en 87% kvalitetsgodkendelse sammenlignet med 46% for DYNA-1 – en forbedring på 41 procentpoint .
• Video-co-træningsalgoritmen løftede instruktionsfølgelsesscorerne med 133% på opgaver, der kræver forskellige bevægelser som svar på brugerkommandoer .

Den skaleringslov, Dyna Robotics observerede

Dyna Robotics rapporterede, hvad de kalder "den første ægte skaleringslov i robotteknologi drevet udelukkende af menneskelige data" . Vigtige karakteristika:

• Skaleringslov for menneske-til-robot-overførsel: Efterhånden som mængden af egocentrisk menneskelig video-fortræning steg på tværs af fire størrelsesordener (1k → 1M timer), forbedredes robotpræstationen på hidtil uset robot-hardware forudsigeligt, monotont og log-lineært – et mønster, virksomheden identificerer som en skaleringslov .
• Tværs-embodiment-overførsel: Skaleringen holdt på tværs af to forskellige robotplatforme (en stationær to-armet platform og en semi-humanoid prototype), som modellen aldrig havde set under fortræningen .
• Zero-shot-handlingsforudsigelse: Skalering af menneskelige videodata forbedrede også modellens evne til at forudsige handlinger på undtagne robotvideodata, der aldrig blev vist under træning .

Virksomheden udtaler eksplicit, at dette er en "først-i-sin-art" demonstration af, at skalering af menneskelige observationsdata, ikke robot-handlingsdata, kan fungere som en pålidelig akse til at forbedre fysisk robotintelligens .

Hvorfor det betyder noget

Hvis påstandene holder ved uafhængig verifikation, har Dyna Robotics vist en praktisk vej til skalering af robotintelligens uden flaskehalsen ved at indsamle dyre robot-handlingsdata. Menneskelig video findes i praktisk talt ubegrænset skala. Virksomheden siger, at den allerede arbejder mod 10 millioner timers træningsdata, hvilket ville gøre det muligt for robotter at mestre nye fysiske opgaver med blot timers lokal finjustering .

Hvordan DYNA-2 blev trænet

Datasættets størrelse og kilde

Træningsdatasættet bestod af over 1.000.000 timers egocentrisk (førstepersons) menneskelig video – svarende til cirka 170 års sammenhængende vågen erfaring . Videoerne optog dagligdags manipulationsopgaver som madlavning, foldning, samling og rengøring . Der blev ikke brugt robot-handlingsdata under fortræningen; robotdata blev kun introduceret i en lille eftertrænings- eller finjusteringsfase, typisk 10 timer eller mindre pr. opgave .

Træningsmål

Under fortræningen brugte DYNA-2 et videoprediktionsmål – at lære at forudsige fremtidige videorammer ud fra tidligere observationer – kombineret med en video-co-træningsalgoritme, der samtidig lærer visuelle repræsentationer og handlingsforudsigelse . Denne tilgang står i kontrast til VLA-arkitekturen i DYNA-1, som direkte oversætter perception til robothandlinger uden mellemliggende videoprediktion .

Virksomheden demonstrerede skalering på tværs af fire størrelsesordener, fra 1.000 timer op til 1.000.000 timers fortræningsdata .

Præstationsforbedringer i forhold til DYNA-1

Virksomheden gennemførte direkte sammenligninger mellem DYNA-2 og DYNA-1 under matchede træningsbetingelser og i virkelige deployment-scenarier.

Head-to-Head Benchmarktest (7 opgaver)

• DYNA-2 udførte opgaver 1,55 gange oftere end den VLA-baserede DYNA-1 .
• I parvise sammenligninger vandt DYNA-2 65% af forsøgene mod DYNA-1's 29% .

Samlede benchmarkresultater (14–15 opgaver på 3 robotplatforme)

Den gennemsnitlige normaliserede præstation steg monotont med fortræningsskalaen: 20% → 28% → 45% → 53% af det opnåelige maksimum, efterhånden som data skaleres fra 1k → 10k → 100k → 1M timer . Ved 1M-timers skalaen opnåede DYNA-2 den stærkeste virkelige præstation på 9 af 14 opgaver . Vigtige opgaveforbedringer inkluderede:

• Nøgledrejning i låsekasse: fra 0% succes (op til 100k timer) til 90% succes ved 1M timer .
• Skruelåg på flaske: fra 10% succes til 40–50% ved 1M timer, ved brug af kun ~10 minutters robot-eftertræningsdata .
• Målrettet drikkevarehentning (sprogforståelse): forbedret fra 58% til 83% .

Virkelig produktion og kundedrift

• Højpræcisionsfremstillingsopgaver: succesraten sprang fra ~20% til 80–90% udelukkende gennem øget fortræningsskala, uden ændringer i eftertræningsdata .
• Zero-shot-drift hos en kunde: DYNA-2 opnåede en 87% kvalitetsgodkendelse sammenlignet med 46% for DYNA-1 – en forbedring på 41 procentpoint .
• Video-co-træningsalgoritmen løftede instruktionsfølgelsesscorerne med 133% på opgaver, der kræver forskellige bevægelser som svar på brugerkommandoer .

Den skaleringslov, Dyna Robotics observerede

Dyna Robotics rapporterede, hvad de kalder "den første ægte skaleringslov i robotteknologi drevet udelukkende af menneskelige data" . Vigtige karakteristika:

• Skaleringslov for menneske-til-robot-overførsel: Efterhånden som mængden af egocentrisk menneskelig video-fortræning steg på tværs af fire størrelsesordener (1k → 1M timer), forbedredes robotpræstationen på hidtil uset robot-hardware forudsigeligt, monotont og log-lineært – et mønster, virksomheden identificerer som en skaleringslov .
• Tværs-embodiment-overførsel: Skaleringen holdt på tværs af to forskellige robotplatforme (en stationær to-armet platform og en semi-humanoid prototype), som modellen aldrig havde set under fortræningen .
• Zero-shot-handlingsforudsigelse: Skalering af menneskelige videodata forbedrede også modellens evne til at forudsige handlinger på undtagne robotvideodata, der aldrig blev vist under træning .

Virksomheden udtaler eksplicit, at dette er en "først-i-sin-art" demonstration af, at skalering af menneskelige observationsdata, ikke robot-handlingsdata, kan fungere som en pålidelig akse til at forbedre fysisk robotintelligens .

Hvorfor det betyder noget

Hvis påstandene holder ved uafhængig verifikation, har Dyna Robotics vist en praktisk vej til skalering af robotintelligens uden flaskehalsen ved at indsamle dyre robot-handlingsdata. Menneskelig video findes i praktisk talt ubegrænset skala. Virksomheden siger, at den allerede arbejder mod 10 millioner timers træningsdata, hvilket ville gøre det muligt for robotter at mestre nye fysiske opgaver med blot timers lokal finjustering .