DYNA-2: Världsactionsmodellen som förutspår fysik innan den rör sig

Träningskorpus: Företaget byggde fyra nästlade delmängder av egocentrisk mänsklig video – 1 000, 10 000, 100 000 och 1 000 000 timmar – där ingen robotdata användes under grundträningen . Efter grundträningen finjusteras modellen på en relativt liten mängd verklig robotdata (timmar eller till och med minuter) för att överföra den inlärda fysikintuitionen till specifik hårdvara .

Den första skalningslagen för överföring från människa till robot

Dyna Robotics rapporterar vad man kallar den första tvärkroppsöverföringsskalningslagen inom robotmanipulation . Upptäckten är betydande eftersom den visar att skalning av mänsklig videodata ger förutsägbara, monotona förbättringar i robotprestanda – precis som de skalningslagar som förändrade stora språkmodeller.

• Skalningslag på mänsklig data: Över alla fyra storleksordningar (1K → 10K → 100K → 1M timmar) förbättrades alla mått på videoförutsägelse monotont och beskrevs väl av en potenslag med ingen platå observerad .

• Lagen överförs till osedd robotdata: Samma kontrollpunkter testades direkt på 39 olika robotuppgifter över två stationära bimanuella plattformar. Prestandan förbättrades monotont i takt med att den mänskliga videodatan ökade, redan innan någon robotspecifik finjustering . En analys visade att när handlingsmärkt data hölls konstant på 50 000 timmar och endast videotimmar lades till, minskade det genomsnittliga kvadratfelet för robotens handlingar från 0,340 till 0,120 .

• Prestandaskalning efter träning: Efter efterträning steg det normaliserade medelvärdet över 14 robotuppgifter från 20 % → 28 % → 45 % → 53 % av det uppnåeliga maxvärdet i takt med att grundträningsskalan ökade från 1 000 till 1 000 000 timmar .

Förbättringar i uppgiftsframgång

DYNA-2:s prestandavinster syns tydligast inom tre områden:

• Högprecisionsindustri: DYNA-2 höjde uppgiftsframgången från cirka 20 % till 80–90 % enbart genom ökad grundträningsskala, utan några ändringar i efterträningsdatan . Detta är en 4x till 4,5x förbättring enbart genom att titta på mer mänsklig video.

• Direkta kundleveranser: Hos verkliga kunder uppnådde DYNA-2 87 % kvalitetspassningsgrad, jämfört med 46 % för den VLA-baserade föregångaren DYNA-1 – en förbättring på 41 procentenheter med identiska efterträningsbudgetar . I direkta fysiska jämförelser med identiska träningsförhållanden slutförde DYNA-2 uppgifter 1,55 gånger oftare än DYNA-1 och vann 65 % av de direkta jämförelserna .

• Skruva av flaskkork (13 minuters data): Med bara 13 minuters robotspecifik demonstrationsdata anpassades DYNA-2 för att styra ett par femfingrade händer och skruva av en flaskkork . Företagets tekniska rapport förtydligar att siffran var ungefär 10 minuter robotdata, där grundträningsskalan lyfte framgången från 10 % vid mindre budgetar till 40–50 % vid den fulla 1M-timmesbudgeten .

Implikationer för robotikens framtid

DYNA-2:s resultat utmanar den rådande uppfattningen att robotar kräver stora mängder uppgiftsspecifik data. Genom att demonstrera en skalningslag som överförs från mänsklig video till robothårdvara öppnar Dyna Robotics en praktisk väg mot 10 miljoner timmars träningsdata – med potential att göra det möjligt för robotar att bemästra nya fysiska uppgifter med bara timmars lokal finjustering . Modellen drivs för närvarande som ett leverantörsopererat system; Dyna Robotics har inte meddelat någon offentlig kontrollpunkt, API eller licens för DYNA-2 . Oberoende replikering av robotikforskningssamhället blir nästa steg för att validera dessa resultat .