DYNA-2: Robotmodellen som lär sig av 170 år av mänskliga videor

Hur DYNA-2 tränades

Datasetets storlek och källa

Träningsdatasetet bestod av över 1 000 000 timmar egocentrisk (första persons) mänsklig video – motsvarande cirka 170 års kontinuerlig vaken erfarenhet . Videorna fångade vardagliga manipulationsuppgifter som matlagning, vikning, montering och rengöring . Ingen robotaktionsdata användes under förträningen; robotdata introducerades först under en liten eftertränings- eller finjusteringsfas, vanligtvis 10 timmar eller mindre per uppgift .

Träningsmål

Under förträningen använde DYNA-2 ett videoprediktionsmål – att lära sig förutsäga framtida videoramar från tidigare observationer – kombinerat med en video-samträningsalgoritm som gemensamt lär sig visuella representationer och aktionsprediktion . Detta tillvägagångssätt står i kontrast till VLA-arkitekturen i DYNA-1, som direkt mappar perception till robotaktioner utan mellanliggande videoprediktion .

Företaget demonstrerade skalning över fyra storleksordningar, från 1 000 timmar upp till 1 000 000 timmar förträningsdata .

Prestandaförbättringar jämfört med DYNA-1

Företaget genomförde direkta jämförelser mellan DYNA-2 och DYNA-1 under matchade träningsförhållanden och verkliga driftsättningar.

Huvud-till-huvud benchmarktestning (7 uppgifter)

• DYNA-2 slutförde uppgifter 1,55 gånger oftare än den VLA-baserade DYNA-1 .
• I parvisa jämförelser vann DYNA-2 65 % av försöken jämfört med DYNA-1:s 29 % .

Aggregerade benchmarkresultat (14–15 uppgifter över 3 robotutföranden)

Genomsnittlig normaliserad prestanda ökade monotont med förträningsskalan: 20 % → 28 % → 45 % → 53 % av det uppnåbara maximumet när data skalades från 1k → 10k → 100k → 1M timmar . Vid 1M-timmarsskalan uppnådde DYNA-2 den starkaste verkliga prestandan på 9 av 14 uppgifter . Viktiga förbättringar på uppgiftsnivå inkluderade:

• Lådnyckelvridning: från 0 % framgång (upp till 100k timmar) till 90 % framgång vid 1M timmar .
• Flasklockuppvridning: från 10 % framgång till 40–50 % vid 1M timmar, med endast cirka 10 minuters robot-efterträningsdata .
• Målinriktad dryckeshämtning (språkföljning): förbättrades från 58 % till 83 % .

Verklig tillverkning och kunddriftsättning

• Högprecisionstillverkningsuppgifter: framgångsfrekvenser hoppade från cirka 20 % till 80–90 % enbart genom ökad förträningsskala, utan förändringar i efterträningsdata .
• Nollstegsdriftsättning hos en kund: DYNA-2 registrerade en 87 % kvalitetsgodkännandegrad jämfört med 46 % för DYNA-1 – en 41-procentig förbättring .
• Video-samträningsalgoritmen lyfte instruktionsföljningsresultaten med 133 % på uppgifter som kräver distinkta rörelser som svar på användarkommandon .

Skalningslagen Dyna Robotics observerade

Dyna Robotics rapporterade vad de kallar ”den första sanna skalningslagen inom robotik som drivs helt av mänsklig data” . Viktiga egenskaper:

• Skalningslag för överföring från människa till robot: När mängden egocentrisk mänsklig video-förträning ökade över fyra storleksordningar (1k → 1M timmar), förbättrades robotprestanda på osett robotmaskinvara förutsägbart, monotont och log-linjärt – ett mönster som företaget identifierar som en skalningslag .
• Överföring över utföranden: Skalningen höll över två olika robotutföranden (en stationär bimanuell plattform och en semi-humanoid prototyp) som modellen aldrig sett under förträningen .
• Nollstegs aktionsprediktion: Att skala mänsklig videodata förbättrade också modellens förmåga att förutsäga handlingar på undantagna robotvideodata som aldrig visades under träning .

Företaget anger uttryckligen att detta är en ”först-i-sitt-slag” demonstration av att skalning av mänsklig observationsdata, inte robotaktionsdata, kan fungera som en pålitlig axel för att förbättra fysisk robotintelligens .

Varför detta är viktigt

Om påståendena håller för oberoende verifiering har Dyna Robotics visat en praktisk väg för att skala robotintelligens utan flaskhalsen av att samla in dyr robotaktionsdata. Mänsklig video finns i praktiskt taget obegränsad skala. Företaget säger att de redan arbetar mot 10 miljoner timmar träningsdata, vilket skulle göra det möjligt för robotar att bemästra nya fysiska uppgifter med bara timmar av lokal finjustering .