DYNA-2: Модель світу-дії, що навчила роботів завдяки людському досвіду

Як навчали DYNA-2

Розмір та джерело набору даних

Навчальний набір даних складався з понад 1 000 000 годин егоцентричного (від першої особи) людського відео — що еквівалентно приблизно 170 рокам безперервного активного досвіду . Відео фіксували повсякденні маніпуляційні завдання: приготування їжі, складання речей, збирання конструкцій та прибирання . Під час попереднього навчання не використовувалися жодні дані про дії роботів; дані від роботів вводилися лише на етапі пост-навчання або доналаштування, зазвичай не більше 10 годин на завдання .

Цілі навчання

Під час попереднього навчання DYNA-2 використовувала мету прогнозування відео — навчання передбачати майбутні кадри на основі минулих спостережень — у поєднанні з алгоритмом спільного навчання на відео, який одночасно вивчає візуальні представлення та прогнозування дій . Цей підхід контрастує з архітектурою VLA моделі DYNA-1, яка безпосередньо відображає сприйняття в дії робота без проміжного прогнозування відео .

Компанія продемонструвала масштабування в чотирьох порядках величини: від 1 000 годин до 1 000 000 годин попереднього навчання .

Покращення продуктивності порівняно з DYNA-1

Компанія провела прямі порівняння між DYNA-2 та DYNA-1 в однакових умовах навчання та реального використання.

Продуктивність у тестах (7 завдань)

• DYNA-2 виконувала завдання в 1,55 раза частіше, ніж попередня модель на основі VLA .
• У попарних порівняннях DYNA-2 перемагала у 65% спроб проти 29% у DYNA-1 .

Загальні результати тестування (14–15 завдань на 3 платформах роботів)

Середня нормалізована продуктивність монотонно зростала зі збільшенням обсягу попереднього навчання: 20% → 28% → 45% → 53% від досяжного максимуму при масштабуванні даних від 1 тис. → 10 тис. → 100 тис. → 1 млн годин . При 1 млн годин DYNA-2 досягла найкращої реальної продуктивності в 9 з 14 завдань . Ключові покращення:

• Відкривання замкової скриньки ключем: з 0% успіху (до 100 тис. годин) до 90% успіху при 1 млн годин .
• Відкручування кришки пляшки: з 10% успіху до 40–50% при 1 млн годин, використовуючи лише ~10 хвилин даних пост-навчання робота .
• Пошук напою за командою: покращення з 58% до 83% .

Реальне виробництво та впровадження у клієнтів

• Високоточні виробничі завдання: рівень успіху зріс з ~20% до 80–90% виключно завдяки збільшенню масштабу попереднього навчання, без змін у даних пост-навчання .
• Розгортання на сайті клієнта без додаткового навчання: DYNA-2 показала 87% прохідного рівня якості порівняно з 46% у DYNA-1 — покращення на 41% .
• Алгоритм спільного навчання на відео підвищив показники виконання інструкцій на 133% для завдань, що вимагають різних рухів залежно від команд користувача .

Закон масштабування, який відкрила Dyna Robotics

Dyna Robotics повідомила про те, що вона називає «першим справжнім законом масштабування в робототехніці, який повністю базується на людських даних» . Ключові характеристики:

• Закон масштабування передачі від людини до робота: Зі збільшенням обсягу попереднього навчання на егоцентричному людському відео в чотирьох порядках величини (1 тис. → 1 млн годин) продуктивність робота на незнайомому обладнанні покращувалася передбачувано, монотонно та логарифмічно-лінійно — патерн, який компанія ідентифікує як закон масштабування .
• Перенесення між різними типами роботів: Масштабування підтвердилося на двох різних платформах роботів (стаціонарна двоплечова система та напівгуманоїдний прототип), які модель ніколи не бачила під час попереднього навчання .
• Прогнозування дій без додаткового навчання: Збільшення обсягу людського відео також покращило здатність моделі прогнозувати дії на раніше невідомих даних роботів, які ніколи не показувалися під час навчання .

Компанія прямо заявляє, що це «перша в своєму роді» демонстрація того, що масштабування людських спостережних даних, а не даних про дії роботів, може слугувати надійною віссю для покращення фізичного інтелекту роботів .

Чому це важливо

Якщо заявлені результати підтвердяться незалежною верифікацією, Dyna Robotics показала практичний шлях до масштабування інтелекту роботів без вузького місця збору дорогих даних про дії роботів. Людське відео існує в практично необмежених масштабах. Компанія каже, що вже працює над набором даних у 10 мільйонів годин, що дозволить роботам освоювати нові фізичні завдання всього за кілька годин локального доналаштування .