DYNA-2: De robot die leerde objecten manipuleren door 1 miljoen uur aan menselijke video te kijken

Pre-trainingscorpus: Het bedrijf bouwde vier geneste subsets van egocentrische menselijke video — 1.000, 10.000, 100.000 en 1.000.000 uur — met geen robot-actiedata gebruikt tijdens de pre-training . Na de pre-training wordt het model verfijnd (fine-tuning) op een relatief kleine hoeveelheid echte robotdata (uren of zelfs minuten) om de geleerde fysieke intuïtie over te brengen op specifieke hardware .

De eerste mens-naar-robot overdrachtsschaalwet

Dyna Robotics rapporteerde wat het de eerste cross-embodiment overdrachtsschaalwet in manipulatie noemt . De bevinding is significant omdat het aantoont dat het opschalen van menselijke videodata leidt tot voorspelbare, monotone verbeteringen in robotprestaties — vergelijkbaar met de schaalwetten die grote taalmodellen hebben getransformeerd.

• Schaalwet op menselijke data: Over alle vier de ordes van grootte (1K → 10K → 100K → 1M uur) verbeterden alle metrieken van videovoorspellingskwaliteit monotoon, goed beschreven door een machtswet met geen plateau waargenomen .

• Wet draagt over op ongeziene robotdata: Dezelfde checkpoints scoorden zero-shot op 39 verschillende robottaken op twee stationaire bimanuele platforms. De prestaties verbeterden monotoon naarmate de voorgetrainde menselijke videopool groeide, vóór enige robotspecifieke verfijning . Een analyse toonde aan dat het vasthouden van actiegelabelde data op 50.000 uur en het toevoegen van alleen-video-uren de zero-shot robot-actie MSE deed dalen van 0,340 naar 0,120 .

• Post-training prestatieopschaling: Na post-training steeg de gemiddelde genormaliseerde score over 14 robottaken van 20% → 28% → 45% → 53% van het haalbare maximum naarmate de pre-trainingsschaal toenam van 1K naar 1M uur .

Verbeteringen in taaksuccespercentages

DYNA-2's prestatieverbeteringen zijn het meest zichtbaar in drie kerngebieden:

• Hoogprecisieproductie: DYNA-2 verhoogde taaksuccespercentages van ongeveer 20% naar 80–90% door alleen de pre-trainingsschaal te vergroten, zonder wijzigingen aan de post-trainingsdata . Dit is een 4x tot 4,5x verbetering puur door het kijken naar meer menselijke video.

• Zero-shot klantimplementaties: Bij daadwerkelijke klanten behaalde DYNA-2 een 87% kwaliteitspercentage, vergeleken met 46% voor zijn op VLA gebaseerde voorganger DYNA-1 — een verbetering van 41 procentpunten onder gelijke post-trainingsbudgetten . In fysieke evaluaties met identieke trainingscondities voltooide DYNA-2 taken 1,55× vaker dan DYNA-1 en won 65% van de onderlinge vergelijkingen .

• Flesdop losdraaien (13 minuten data): Met slechts 13 minuten aan robotspecifieke demonstratiedata werd DYNA-2 aangepast om een paar vijfvingerige behendige handen te besturen om een flesdop los te draaien . Het technische rapport van het bedrijf verduidelijkt dat het cijfer ongeveer 10 minuten aan robotdata was, waarbij de pre-trainingsschaal het succes van 10% bij kleinere budgetten naar 40–50% bij het volledige 1M-uurbudget tilde .

Implicaties voor de toekomst van robotica

DYNA-2's resultaten dagen de heersende aanname uit dat robots grote hoeveelheden taakspecifieke robotdata nodig hebben. Door een schaalwet aan te tonen die van menselijke video naar robothardware overgaat, opent Dyna Robotics een praktische weg naar 10 miljoen uur aan trainingsdata — met het potentieel om robots in staat te stellen nieuwe fysieke taken te beheersen met slechts enkele uren lokale verfijning . Het model werkt momenteel als een door de leverancier beheerd systeem; Dyna Robotics heeft geen openbare checkpoint, API of licentie voor DYNA-2 aangekondigd . Onafhankelijke replicatie door de robotica-onderzoeksgemeenschap zal de volgende stap zijn om deze resultaten te valideren .