다이나 로보틱스, DYNA-2를 인간 비디오 1백만 시간으로 훈련, 로봇 데이터 없이

이 주장은 분야의 제약이 있는 곳에 중요합니다. 일반적인 로봇 정책은 주로 텔레오퍼레이션 액션 데이터로 훈련되어 왔습니다. 즉, 인간이 로봇을 통해 작업을 수행하는 동안 로봇을 물리적으로 안내합니다. 이러한 데이터는 비용이 많이 들고 수집하기 어렵기 때문에 로봇 기초 모델이 확장할 수 있는 범위를 제한했습니다. DYNA-2의 베팅은 로봇이 물리적 직관을 얻는 데 필요한 것은 인간이 하는 것을 보여주는 비디오에서 학습할 수 있으며, 로봇 하드웨어로 전달할 수 있다고 합니다.

“행동하기 전에 물리적 세계가 어떻게 움직일지 상상하는 세계-행동 모델을 구축함으로써 기존 비전-언어 모델에 부족한 공간 추론과 접촉 물리 이해를 로봇에 제공합니다.”

DYNA-2가 로봇을 보지 않고 비디오에서 학습하는 방법

다이나가 세계-행동 모델(World-Action Model)이라고 부르는 구조는 이 분야를 지배해 온 비전-언어-행동 모델의 변형 대신 영상 생성에 기반합니다. 사전학습에서는 인간 영상 데이터로 다음 프레임과 다음 행동을 함께 예측합니다. 회사는 그 결과 접촉 물리와 공간 추론에 관한 실용적 이해가 생겨 고정형 로봇팔, 휴머노이드 시제품, 정교한 다섯 손가락 손 등 다양한 로봇 몸체로 전이된다고 설명합니다. 해당 로봇들은 사전학습 영상에 전혀 등장하지 않았습니다.

특정 로봇 플랫폼에 맞추는 데는 몇 주간 데이터를 모으는 대신 몇 시간의 현장 미세조정이 필요합니다. 다이나가 제시한 한 사례에서는 데이터 13분만으로 다섯 손가락 로봇 손 한 쌍이 병뚜껑을 돌려 열도록 학습했습니다. 벤치마크 과제 15개를 종합하면 더 많은 인간 영상으로 사전학습한 정책이 적은 데이터로 학습한 정책을 일관되게 앞섰습니다. 회사가 법칙으로 제시하는 확장 곡선입니다.

가장 명확한 비교 대상은 회사의 기존 모델 DYNA-1입니다. 상용 현장에서 사용하는 이 비전-언어-행동 모델과 DYNA-2를 같은 학습 단계 수와 데이터셋으로 실제 물리 환경에서 비교했습니다. 다이나에 따르면 음식 자르기, 작업 공간 정리 같은 정교한 작업에서 DYNA-2는 물리적 방해를 받아도 사람 개입 없이 회복했지만, VLA 기준 모델은 실패해 수동 초기화가 필요했습니다. 영상 공동학습 알고리즘은 사용자 명령에 맞춰 서로 다른 동작을 해야 하는 과제의 지시 이행 점수를 133% 높였습니다.

DYNA-2의 숫자

• 100만 시간 이상 의 1인칭 인간 시점 영상을 사전학습에 사용 — 회사는 이를 약 170년간 깨어 있는 경험을 연속으로 축적한 것에 비유합니다
• 20% → 80–90% 작업 성공률, 사전 훈련 규모만으로 높은 정밀도 제조 작업
• 1.55배 — 실제 일대일 평가에서 DYNA-1 대비 완료한 작업 수
• 87% 대 46% — 고객 현장에서의 통과율: DYNA-2 87%, DYNA-1 46%
• 13분의 데이터로 다중 손가락 손이 병 캡을 열 수 있음
• 133% 지시를 따르는 작업에서 개선된 비디오 공동 훈련 알고리즘
• 1천만 시간: 다이나가 접근법이 열어주는 훈련 데이터 규모

다이나의 배포는 이미 테스트 베드였다

DYNA-2는 설립된 지 얼마 안 된 회사로서는 이례적으로 구체적인 상용 기반 위에 나왔습니다. DYNA-1을 구동하는 다이나 로봇은 호텔, 음식점, 세탁소, 운동시설의 실제 운영에 투입돼 있습니다. 회사 자료에 따르면 DYNA-1은 시간당 셔츠 40장 이상을 연속으로 접고 고객 현장에서 하루 16시간 가동합니다. 24시간 연속 운영에서는 성공률이 99%를 넘는다고 합니다.

이 배포는 또한 연구의 데이터 플라이휠입니다.

회사가 제시하는 다음 방향은 규모 확대입니다. 인간 영상의 확장 곡선이 유지된다면 1,000만 시간 학습은 대규모 원격조작 장비군을 만드는 문제가 아니라 영상을 모으는 문제가 된다고 다이나는 설명합니다. 100만 시간 결과는 곡선이 존재한다는 근거입니다. 규모를 열 배 늘려도 유지될지는 아직 풀리지 않은 공학적 문제이며, 회사는 그 가능성에 로드맵을 걸었습니다.