Hoe DYNA-2 werd getraind

Omvang en bron van de dataset

De trainingsdataset bestaat uit ruim 1.000.000 uur aan egocentrische (eerstepersoons) menselijke video — ongeveer 170 jaar aan onafgebroken wakkere ervaring . De video's tonen alledaagse handelingen zoals koken, vouwen, monteren en schoonmaken . Tijdens de voorbereidende training is er géén robotdata gebruikt; robotdata werd pas toegevoegd in een kleine nabehandelings- of verfijningsfase, doorgaans 10 uur of minder per taak .

Trainingsdoelen

Tijdens de voorbereidende training gebruikte DYNA-2 een videovoorspellingsdoel: het leren voorspellen van toekomstige videoframes op basis van eerdere waarnemingen. Dit werd gecombineerd met een video-co-trainingsalgoritme dat zowel visuele representaties als actievoorspelling leert . Deze aanpak verschilt van de VLA-architectuur van DYNA-1, die perceptie direct aan robotacties koppelt zonder tussenkomst van videovoorspelling .

Het bedrijf toonde schaling aan over vier ordes van grootte, van 1.000 uur tot 1.000.000 uur aan voorbereidende data .

Prestatieverbeteringen ten opzichte van DYNA-1

Het bedrijf voerde directe vergelijkingen uit tussen DYNA-2 en DYNA-1 onder identieke trainingsomstandigheden en in de praktijk.

Directe vergelijking op 7 taken

• DYNA-2 voltooide taken 1,55 keer vaker dan het VLA-gebaseerde DYNA-1 .
• In onderlinge vergelijkingen won DYNA-2 65% van de pogingen, tegenover 29% voor DYNA-1 .

Samengevatte benchmarkresultaten (14–15 taken op 3 robotplatforms)

De gemiddelde genormaliseerde prestatie steeg monotoon met de schaal van de voorbereidende training: 20% → 28% → 45% → 53% van het haalbare maximum naarmate de data toenam van 1.000 → 10.000 → 100.000 → 1.000.000 uur . Op de schaal van 1 miljoen uur behaalde DYNA-2 de sterkste prestaties in de echte wereld op 9 van de 14 taken . Belangrijke verbeteringen per taak:

• Slotkist met sleutel: van 0% succes (tot 100.000 uur) naar 90% succes bij 1 miljoen uur .
• Flesdop losdraaien: van 10% succes naar 40–50% bij 1 miljoen uur, met slechts ~10 minuten aan robot-nabehandelingsdata .
• Doelgerichte drankselectie (taalbegrip): gestegen van 58% naar 83% .

Inzet in de praktijk: productie en klantomgeving

• Hoogprecieze productietaken: succespercentages stegen van ~20% naar 80–90% uitsluitend door meer voorbereidende training, zonder wijzigingen in de nabehandelingsdata .
• Zero-shot-inzet bij een klant: DYNA-2 behaalde een 87% kwaliteitsscore tegenover 46% voor DYNA-1 — een verbetering van 41 procentpunt .
• Het video-co-trainingsalgoritme verhoogde de score voor het opvolgen van instructies met 133% bij taken die verschillende bewegingen vereisen op basis van gebruikerscommando's .

De schaalwet die Dyna Robotics ontdekte

Dyna Robotics meldt wat het bedrijf 'de eerste echte schaalwet in robotica, volledig aangedreven door menselijke data' noemt . Belangrijke kenmerken:

• Human-to-robot transfer scaling law: Naarmate de hoeveelheid egocentrische menselijke video in de voorbereidende training toenam over vier ordes van grootte (1.000 → 1.000.000 uur), verbeterden de robotprestaties op onbekende robotplatforms voorspelbaar, monotoon en log-lineair — een patroon dat het bedrijf identificeert als een schaalwet .
• Cross-embodiment transfer: De schaalwet gold voor twee verschillende robotplatforms (een stationair platform met twee armen en een semi-humanoïde prototype) die het model tijdens de voorbereidende training nog nooit had gezien .
• Zero-shot actievoorspelling: Het opschalen van menselijke videodata verbeterde ook het vermogen van het model om acties te voorspellen op achtergehouden robotvideodata die tijdens de training nooit getoond was .

Het bedrijf stelt expliciet dat dit een 'eerste in zijn soort' demonstratie is dat het opschalen van menselijke observatiedata, in plaats van robot-actiedata, een betrouwbare as kan zijn voor het verbeteren van fysieke robotintelligentie .

Waarom dit ertoe doet

Als de claims standhouden bij onafhankelijke verificatie, heeft Dyna Robotics een praktische weg gevonden om robotintelligentie op te schalen zonder de knelpunt van dure robot-actiedata. Menselijke video bestaat op effectief onbeperkte schaal. Het bedrijf werkt al aan 10 miljoen uur aan trainingsdata, waarmee robots nieuwe fysieke taken in slechts enkele uren lokale verfijning onder de knie zouden kunnen krijgen .

Hoe DYNA-2 werd getraind

Omvang en bron van de dataset

De trainingsdataset bestaat uit ruim 1.000.000 uur aan egocentrische (eerstepersoons) menselijke video — ongeveer 170 jaar aan onafgebroken wakkere ervaring . De video's tonen alledaagse handelingen zoals koken, vouwen, monteren en schoonmaken . Tijdens de voorbereidende training is er géén robotdata gebruikt; robotdata werd pas toegevoegd in een kleine nabehandelings- of verfijningsfase, doorgaans 10 uur of minder per taak .

Trainingsdoelen

Tijdens de voorbereidende training gebruikte DYNA-2 een videovoorspellingsdoel: het leren voorspellen van toekomstige videoframes op basis van eerdere waarnemingen. Dit werd gecombineerd met een video-co-trainingsalgoritme dat zowel visuele representaties als actievoorspelling leert . Deze aanpak verschilt van de VLA-architectuur van DYNA-1, die perceptie direct aan robotacties koppelt zonder tussenkomst van videovoorspelling .

Het bedrijf toonde schaling aan over vier ordes van grootte, van 1.000 uur tot 1.000.000 uur aan voorbereidende data .

Prestatieverbeteringen ten opzichte van DYNA-1

Het bedrijf voerde directe vergelijkingen uit tussen DYNA-2 en DYNA-1 onder identieke trainingsomstandigheden en in de praktijk.

Directe vergelijking op 7 taken

• DYNA-2 voltooide taken 1,55 keer vaker dan het VLA-gebaseerde DYNA-1 .
• In onderlinge vergelijkingen won DYNA-2 65% van de pogingen, tegenover 29% voor DYNA-1 .

Samengevatte benchmarkresultaten (14–15 taken op 3 robotplatforms)

De gemiddelde genormaliseerde prestatie steeg monotoon met de schaal van de voorbereidende training: 20% → 28% → 45% → 53% van het haalbare maximum naarmate de data toenam van 1.000 → 10.000 → 100.000 → 1.000.000 uur . Op de schaal van 1 miljoen uur behaalde DYNA-2 de sterkste prestaties in de echte wereld op 9 van de 14 taken . Belangrijke verbeteringen per taak:

• Slotkist met sleutel: van 0% succes (tot 100.000 uur) naar 90% succes bij 1 miljoen uur .
• Flesdop losdraaien: van 10% succes naar 40–50% bij 1 miljoen uur, met slechts ~10 minuten aan robot-nabehandelingsdata .
• Doelgerichte drankselectie (taalbegrip): gestegen van 58% naar 83% .

Inzet in de praktijk: productie en klantomgeving

• Hoogprecieze productietaken: succespercentages stegen van ~20% naar 80–90% uitsluitend door meer voorbereidende training, zonder wijzigingen in de nabehandelingsdata .
• Zero-shot-inzet bij een klant: DYNA-2 behaalde een 87% kwaliteitsscore tegenover 46% voor DYNA-1 — een verbetering van 41 procentpunt .
• Het video-co-trainingsalgoritme verhoogde de score voor het opvolgen van instructies met 133% bij taken die verschillende bewegingen vereisen op basis van gebruikerscommando's .

De schaalwet die Dyna Robotics ontdekte

Dyna Robotics meldt wat het bedrijf 'de eerste echte schaalwet in robotica, volledig aangedreven door menselijke data' noemt . Belangrijke kenmerken:

• Human-to-robot transfer scaling law: Naarmate de hoeveelheid egocentrische menselijke video in de voorbereidende training toenam over vier ordes van grootte (1.000 → 1.000.000 uur), verbeterden de robotprestaties op onbekende robotplatforms voorspelbaar, monotoon en log-lineair — een patroon dat het bedrijf identificeert als een schaalwet .
• Cross-embodiment transfer: De schaalwet gold voor twee verschillende robotplatforms (een stationair platform met twee armen en een semi-humanoïde prototype) die het model tijdens de voorbereidende training nog nooit had gezien .
• Zero-shot actievoorspelling: Het opschalen van menselijke videodata verbeterde ook het vermogen van het model om acties te voorspellen op achtergehouden robotvideodata die tijdens de training nooit getoond was .

Het bedrijf stelt expliciet dat dit een 'eerste in zijn soort' demonstratie is dat het opschalen van menselijke observatiedata, in plaats van robot-actiedata, een betrouwbare as kan zijn voor het verbeteren van fysieke robotintelligentie .

Waarom dit ertoe doet

Als de claims standhouden bij onafhankelijke verificatie, heeft Dyna Robotics een praktische weg gevonden om robotintelligentie op te schalen zonder de knelpunt van dure robot-actiedata. Menselijke video bestaat op effectief onbeperkte schaal. Het bedrijf werkt al aan 10 miljoen uur aan trainingsdata, waarmee robots nieuwe fysieke taken in slechts enkele uren lokale verfijning onder de knie zouden kunnen krijgen .