Robotik und physische KI
Dyna-Robotik trainiert DYNA-2 mit einer Million Stunden menschlicher Videos, ohne Roboter-Daten
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Der Anspruch ist wichtig, weil er die Einschränkung des Fachgebiets betrifft. Generalistische Roboter-Richtlinien wurden größtenteils auf teleoperierte Aktionsdaten trainiert: Menschen, die Roboter physisch durch Aufgaben führen, Stunde für Stunde. Diese Daten sind teuer und langsam zu sammeln und haben begrenzt, wie weit Roboter-Grundmodelle skaliert werden können. DYNA-2 setzt darauf, dass die physische Intuition, die Roboter benötigen, aus Videos von Menschen, die Dinge tun, gelernt und auf Roboter-Hardware übertragen werden kann.
“Indem wir ein World-Action-Modell aufbauen, das sich vor der Handlung vorstellt, wie die physische Welt sich bewegt, geben wir Robotern räumliches Denken und Kontaktphysik, die traditionelle Vision-Sprach-Modelle einfach nicht haben.”
Wie DYNA-2 aus Video lernt, ohne einen Roboter zu sehen
Die Architektur ist das, was Dyna ein World-Action-Modell nennt, das auf Video-Generierung und nicht auf Vision-Sprach-Handlungs-Anpassungen aufbaut, die das Feld dominiert haben. Während der Vorbereitung läuft das Modell ein duales Ziel (Vorhersage des nächsten Frames und der nächsten Aktion) über den menschlichen Video-Korpus. Das Unternehmen sagt, dass dies dem Modell ein funktionierendes Modell der Kontaktphysik und des räumlichen Denkens gibt, das auf verschiedene Körper übertragen werden kann: stationäre Roboterarme, humanoiden Prototypen und geschickte fünffingerige Hände, obwohl keiner dieser Roboter während der Vorbereitung erscheint.
Die Anpassung des Ergebnisses an eine bestimmte Plattform dauert Stunden der lokalen Feinabstimmung anstelle von Wochen der Datensammlung. In einem Fall, den Dyna nennt, reichten 13 Minuten Daten aus, um ein Paar fünffingerige Roboterhände zu lehren, eine Flaschenkappe zu öffnen. Aggregiert über 15 Benchmark-Aufgaben übertrafen Richtlinien, die auf mehr menschliche Daten vortrainiert wurden, konsistent diejenigen, die auf weniger Daten trainiert wurden, die Skalierungskurve, auf die das Unternehmen hinweist, als Gesetz.
Der deutlichste Vergleich ist gegen Dynas eigenes vorheriges Modell. DYNA-1, das Vision-Sprach-Handlungs-Modell, das in den kommerziellen Einrichtungen des Unternehmens läuft, stand DYNA-2 in head-to-head-physikalischen Evaluierungen unter gleichen Trainingschritten und Datenmengen gegenüber. Bei geschickten Aufgaben wie dem Schneiden von Lebensmitteln und dem Räumen von Arbeitsplätzen sagte Dyna, dass DYNA-2 sich von physischen Störungen ohne menschliche Intervention erholte, während die VLA-Basislinie fehlschlug und eine manuelle Rücksetzung benötigte. Ein Video-Co-Trainings-Algorithmus erhöhte die Anweisungs-Befolgungswerte um 133 % bei Aufgaben, die unterschiedliche Bewegungen als Reaktion auf Benutzerbefehle erforderten.
DYNA-2 in Zahlen
- 1 Million+ Stunden egozentrischer menschlicher Video-Vorbereitung — beschrieben von dem Unternehmen als etwa 170 Jahre kontinuierlicher Wachzeit
- 20% → 80–90% Aufgabenerfolgsraten bei hochpräzisen Fertigungsaufgaben, allein durch die Vorbereitungsgröße
- 1,55-mal mehr Aufgaben abgeschlossen als DYNA-1 in realen Kopf-an-Kopf-Evaluierungen
- 87% vs. 46% Bestehensraten bei einer Kunden-Einrichtung, DYNA-2 gegen DYNA-1
- 13 Minuten Daten, um fünffingerige Hände zu trainieren, eine Flaschenkappe zu öffnen
- 133% Verbesserung bei Anweisungs-Befolgungsaufgaben durch den Video-Co-Trainings-Algorithmus
- 10 Millionen Stunden: die Trainingsdaten-Größe, die Dyna sagt, dass der Ansatz einen Weg zu öffnet
Dynas Einrichtungen waren bereits das Testfeld
DYNA-2 erscheint auf einer ungewöhnlich konkreten kommerziellen Basis für ein so junges Unternehmen. Dynas Roboter, die DYNA-1 ausführen, sind in der Produktion in Hotels, Restaurants, Wäschereien und Fitnessstudios eingesetzt. Die eigenen Materialien des Unternehmens beschreiben DYNA-1, das mehr als 40 Hemden pro Stunde falten kann und 16 Stunden am Tag an Kundenstandorten läuft, mit einer Erfolgsrate von über 99 % bei 24-stündiger Non-Stop-Betrieb.
Diese Einrichtungsgrundlage ist auch der Datenantrieb hinter der Forschung.
Der angekündigte Weg des Unternehmens von hier aus ist die Skalierung: Wenn die menschliche Video-Skalierungskurve gilt, sagt Dyna, wird das Training mit 10 Millionen Stunden zu einer Frage des Sammelns von Videos anstelle des Aufbaus von Flotten von Teleoperation-Rigging. Das Ergebnis von einer Million Stunden ist der Beweis, dass die Kurve existiert. Ob sie bei 10-mal hält, ist die offene Ingenieursfrage — und sie ist jetzt die, auf die Dyna seine Roadmap gesetzt hat.
