Dünya-Eylem Modeli Mimarisi: Eylem Taklidi Yerine Video Tahmini

DYNA-2'nin mimarisi, robotik alanında hakim olan Görme-Dil-Eylem (Vision-Language-Action - VLA) bağdaştırıcıları yerine video üretimi üzerine inşa edilmiştir . Ön eğitim sırasında model, insan video külliyatı üzerinde çift amaçlı bir hedef çalıştırır: hem sonraki video karesini hem de sonraki eylemi tahmin eder . Bu yaklaşım, modelin temas fiziği ve uzamsal akıl yürütme konusunda dahili bir model oluşturmasını sağlar. Bu model, ön eğitim sırasında hiçbir robot görmeden, eylemler ve bunların fiziksel sonuçları arasındaki neden-sonuç ilişkilerini öğrenerek farklı robot bedenlerine aktarılabilir .

Ön eğitim külliyatı: Şirket, iç içe geçmiş dört alt küme halinde egosantrik insan videosu oluşturdu: 1.000, 10.000, 100.000 ve 1.000.000 saat. Ön eğitim sırasında hiçbir robot eylem verisi kullanılmadı . Ön eğitimin ardından model, nispeten küçük miktarda gerçek robot verisi (saatler hatta dakikalar) ile ince ayar yapılarak öğrenilen fiziksel sezgilerin belirli donanımlara aktarılması sağlanıyor .

İnsandan Robot'a Aktarımın İlk Ölçekleme Yasası

Dyna Robotics, manipülasyon alanında çapraz-beden aktarım ölçekleme yasası olarak adlandırdığı ilk bulguyu raporladı . Bu bulgu, insan videosu verilerinin ölçeklendirilmesinin, büyük dil modellerini dönüştüren ölçekleme yasalarını yansıtarak robot performansında öngörülebilir ve istikrarlı iyileştirmeler ürettiğini göstermesi açısından önemlidir.

• İnsan verilerinde ölçekleme yasası: Dört büyüklük sırasının tamamında (1K → 10K → 100K → 1M saat), video tahmin kalitesinin tüm metrikleri istikrarlı bir şekilde iyileşti ve bir güç yasası ile iyi tanımlandı; herhangi bir platoya ulaşılmadığı gözlemlendi .

• Yasa, görülmemiş robot verilerine aktarılıyor: Aynı kontrol noktaları, iki farklı sabit çift kollu platformda 39 farklı robot görevinde sıfır atış (zero-shot) olarak değerlendirildi. Robotlara özgü herhangi bir ince ayar yapılmadan önce, ön eğitimdeki insan videosu havuzu büyüdükçe performans istikrarlı bir şekilde arttı . Bir analiz, eylem etiketli verileri 50.000 saatte sabit tutup yalnızca video içeren saatler eklemenin, sıfır atış robot eylem Ortalama Kare Hatası'nı (MSE) 0,340'dan 0,120'ye düşürdüğünü gösterdi .

• Eğitim sonrası performans ölçeklemesi: Eğitim sonrası (post-training) aşamada, 14 robot görevi genelinde normalize edilmiş ortalama puan, ön eğitim ölçeği 1K saatten 1M saate çıktıkça ulaşılabilir maksimum değerin %20'sinden → %28'ine → %45'ine → %53'üne yükseldi .

Görev Başarı Oranındaki İyileştirmeler

DYNA-2'nin performans kazanımları en belirgin şekilde üç temel alanda görülüyor:

• Yüksek hassasiyetli üretim: DYNA-2, eğitim sonrası verilerde herhangi bir değişiklik yapmadan, yalnızca artan ön eğitim ölçeği sayesinde görev başarı oranlarını yaklaşık %20'den %80-90'a çıkardı . Bu, tamamen daha fazla insan videosu izleyerek elde edilen 4 ila 4,5 katlık bir iyileşmedir.

• Sıfır atış müşteri dağıtımları: Gerçek müşteri sahalarında DYNA-2, %87 kalite geçiş oranına ulaşırken, VLA tabanlı selefi DYNA-1 aynı koşullarda %46 oranında kaldı. Bu, eşleştirilmiş eğitim sonrası bütçeler altında 41 puanlık bir iyileşme anlamına geliyor . Aynı eğitim koşulları altında yapılan birebir fiziksel değerlendirmelerde DYNA-2, görevleri DYNA-1'den tamamladı ve .

• Şişe kapağı açma (13 dakikalık veri): Yalnızca 13 dakikalık robota özgü demonstrasyon verisi ile DYNA-2, beş parmaklı hünerli bir çift robot eli kullanarak bir şişe kapağını açmak üzere uyarlandı . Şirketin teknik raporu, robot verisinin yaklaşık olduğunu ve ön eğitim ölçeğinin, başarıyı daha küçük bütçelerde %10'dan, 1 milyon saatlik tam bütçede %40-50'ye çıkardığını belirtiyor .

Robotik Alanının Geleceği İçin Etkileri

DYNA-2'nin sonuçları, robotların çok miktarda göreve özgü robot verisine ihtiyaç duyduğu yönündeki hakim varsayıma meydan okuyor. İnsan videosundan robot donanımına aktarılan bir ölçekleme yasasını gösteren Dyna Robotics, 10 milyon saatlik eğitim verisine doğru pratik bir yol açıyor. Bu potansiyel, robotların yeni fiziksel görevlerde yalnızca birkaç saatlik yerel ince ayar ile ustalaşmasını sağlayabilir . Model şu anda tedarikçi tarafından işletilen bir sistem olarak çalışıyor; Dyna Robotics, DYNA-2 için herhangi bir genel kontrol noktası, API veya lisans duyurmadı . Robotik araştırma topluluğu tarafından yapılacak bağımsız tekrarlar, bu sonuçların doğrulanmasında bir sonraki adım olacak .

Dünya-Eylem Modeli Mimarisi: Eylem Taklidi Yerine Video Tahmini

DYNA-2'nin mimarisi, robotik alanında hakim olan Görme-Dil-Eylem (Vision-Language-Action - VLA) bağdaştırıcıları yerine video üretimi üzerine inşa edilmiştir . Ön eğitim sırasında model, insan video külliyatı üzerinde çift amaçlı bir hedef çalıştırır: hem sonraki video karesini hem de sonraki eylemi tahmin eder . Bu yaklaşım, modelin temas fiziği ve uzamsal akıl yürütme konusunda dahili bir model oluşturmasını sağlar. Bu model, ön eğitim sırasında hiçbir robot görmeden, eylemler ve bunların fiziksel sonuçları arasındaki neden-sonuç ilişkilerini öğrenerek farklı robot bedenlerine aktarılabilir .

Ön eğitim külliyatı: Şirket, iç içe geçmiş dört alt küme halinde egosantrik insan videosu oluşturdu: 1.000, 10.000, 100.000 ve 1.000.000 saat. Ön eğitim sırasında hiçbir robot eylem verisi kullanılmadı . Ön eğitimin ardından model, nispeten küçük miktarda gerçek robot verisi (saatler hatta dakikalar) ile ince ayar yapılarak öğrenilen fiziksel sezgilerin belirli donanımlara aktarılması sağlanıyor .

İnsandan Robot'a Aktarımın İlk Ölçekleme Yasası

Dyna Robotics, manipülasyon alanında çapraz-beden aktarım ölçekleme yasası olarak adlandırdığı ilk bulguyu raporladı . Bu bulgu, insan videosu verilerinin ölçeklendirilmesinin, büyük dil modellerini dönüştüren ölçekleme yasalarını yansıtarak robot performansında öngörülebilir ve istikrarlı iyileştirmeler ürettiğini göstermesi açısından önemlidir.

• İnsan verilerinde ölçekleme yasası: Dört büyüklük sırasının tamamında (1K → 10K → 100K → 1M saat), video tahmin kalitesinin tüm metrikleri istikrarlı bir şekilde iyileşti ve bir güç yasası ile iyi tanımlandı; herhangi bir platoya ulaşılmadığı gözlemlendi .

• Yasa, görülmemiş robot verilerine aktarılıyor: Aynı kontrol noktaları, iki farklı sabit çift kollu platformda 39 farklı robot görevinde sıfır atış (zero-shot) olarak değerlendirildi. Robotlara özgü herhangi bir ince ayar yapılmadan önce, ön eğitimdeki insan videosu havuzu büyüdükçe performans istikrarlı bir şekilde arttı . Bir analiz, eylem etiketli verileri 50.000 saatte sabit tutup yalnızca video içeren saatler eklemenin, sıfır atış robot eylem Ortalama Kare Hatası'nı (MSE) 0,340'dan 0,120'ye düşürdüğünü gösterdi .

• Eğitim sonrası performans ölçeklemesi: Eğitim sonrası (post-training) aşamada, 14 robot görevi genelinde normalize edilmiş ortalama puan, ön eğitim ölçeği 1K saatten 1M saate çıktıkça ulaşılabilir maksimum değerin %20'sinden → %28'ine → %45'ine → %53'üne yükseldi .

Görev Başarı Oranındaki İyileştirmeler

DYNA-2'nin performans kazanımları en belirgin şekilde üç temel alanda görülüyor:

• Yüksek hassasiyetli üretim: DYNA-2, eğitim sonrası verilerde herhangi bir değişiklik yapmadan, yalnızca artan ön eğitim ölçeği sayesinde görev başarı oranlarını yaklaşık %20'den %80-90'a çıkardı . Bu, tamamen daha fazla insan videosu izleyerek elde edilen 4 ila 4,5 katlık bir iyileşmedir.

• Sıfır atış müşteri dağıtımları: Gerçek müşteri sahalarında DYNA-2, %87 kalite geçiş oranına ulaşırken, VLA tabanlı selefi DYNA-1 aynı koşullarda %46 oranında kaldı. Bu, eşleştirilmiş eğitim sonrası bütçeler altında 41 puanlık bir iyileşme anlamına geliyor . Aynı eğitim koşulları altında yapılan birebir fiziksel değerlendirmelerde DYNA-2, görevleri DYNA-1'den tamamladı ve .

• Şişe kapağı açma (13 dakikalık veri): Yalnızca 13 dakikalık robota özgü demonstrasyon verisi ile DYNA-2, beş parmaklı hünerli bir çift robot eli kullanarak bir şişe kapağını açmak üzere uyarlandı . Şirketin teknik raporu, robot verisinin yaklaşık olduğunu ve ön eğitim ölçeğinin, başarıyı daha küçük bütçelerde %10'dan, 1 milyon saatlik tam bütçede %40-50'ye çıkardığını belirtiyor .

Robotik Alanının Geleceği İçin Etkileri

DYNA-2'nin sonuçları, robotların çok miktarda göreve özgü robot verisine ihtiyaç duyduğu yönündeki hakim varsayıma meydan okuyor. İnsan videosundan robot donanımına aktarılan bir ölçekleme yasasını gösteren Dyna Robotics, 10 milyon saatlik eğitim verisine doğru pratik bir yol açıyor. Bu potansiyel, robotların yeni fiziksel görevlerde yalnızca birkaç saatlik yerel ince ayar ile ustalaşmasını sağlayabilir . Model şu anda tedarikçi tarafından işletilen bir sistem olarak çalışıyor; Dyna Robotics, DYNA-2 için herhangi bir genel kontrol noktası, API veya lisans duyurmadı . Robotik araştırma topluluğu tarafından yapılacak bağımsız tekrarlar, bu sonuçların doğrulanmasında bir sonraki adım olacak .