Dyna Robotik DYNA-2’yi Bir Milyon Saat İnsan Videosu ile Eğitti, Robot Verisi Yok

İddia önemli çünkü alanın kısıtlaması nerede oturuyor. Genelci robot politikaları büyük ölçüde teleoperasyonlu eylem verilerine dayalı olarak eğitildi: insanlar robotları görevler boyunca saatlerce fiziksel olarak yönlendiriyor. Bu veri pahalı ve toplamak için yavaş, ve bu da robot temel modellerinin ölçeklenebilirliğini sınırladı. DYNA-2’nin bahsi, robotların ihtiyacı olan fiziksel sezginin insanların şeyler yaptığını gösteren videolardan öğrenilebileceği ve daha sonra robot donanımına aktarılacağı üzerine.

“Dünya-Eylem Modeli oluşturarak, fiziksel dünyanın nasıl hareket ettiğini hayal ederek ve sonra eylem alarak, robotlara geleneksel görme-dil modellerinin eksik olduğu uzaysal akıl yürütme ve temas fiziklerini kazandırıyoruz.”

DYNA-2’nin Robot Görmeye İhtiyacı Olmadan Videodan Nasıl Öğrendiği

Mimari, Dyna’nın World-Action Model dediği şey, görme-dil-eylem uyarlamaları yerine video oluşturma üzerine kuruludur. Ön eğitime sırasında, model insan video korpusu üzerinde iki amaçlı bir hedef (sonraki kareyi ve sonraki eylemi öngörmek) çalıştırır. Şirket, bu modelin temas fizikleri ve uzaysal akıl yürütme konusunda çalıştığını ve bu bilgiyi robot donanımlarına aktardığını söylüyor.

Sonuçları belirli bir platforma uyarlamak, veri toplamak yerine yerel olarak ince ayarlamak için saatler alır. Dyna’nın bahsettiği bir durumda, 13 dakika veri, beş parmaklı robot ellerinin bir şişe kapağını açmasına yetti. 15 benchmark görevi üzerinde agregat olarak, daha fazla insan verisi ile eğitilen politikalar, daha az veri ile eğitilenlerden daha iyi performans gösterdi, şirketin işaret ettiği ölçek eğrisi.

En net karşılaştırma, Dyna’nın kendi önceki modeli ile karşılaştırmadır. DYNA-1, şirketin ticari dağıtımlarında çalışan görme-dil-eylem modeli, DYNA-2 ile eşleştirilmiş fiziksel değerlendirmelerde karşılaştı. Gıda doğrama ve çalışma alanlarını temizleme gibi görevlerde, Dyna, DYNA-2’nin insan müdahalesi olmadan fiziksel bozulmalardan kurtulduğunu, VLA temel modelinin ise başarısız olduğunu ve manuel sıfırlamaya ihtiyaç duyduğunu söylüyor. Bir video ortak eğitim algoritması, kullanıcı komutlarına yanıt olarak farklı hareketler gerektiren görevlerde talimatları takip etme puanlarını %133 artırdı.

DYNA-2 Sayılarla

• 1 milyon+ saat ön eğitime ait egosantrik insan videosu — şirket tarafından yaklaşık 170 yıl sürekli uyanık deneyim olarak tanımlanıyor
• 20% → 80–90% görev başarı oranları, yüksek hassasiyetli imalat görevlerinde, yalnızca ön eğitime bağlı olarak
• 1.55 kat daha fazla görev, gerçek dünya baş-a-baş değerlendirmelerinde DYNA-1’e kıyasla
• 87% vs. 46% geçme oranları, müşteri dağıtımı, DYNA-2’ye karşı DYNA-1
• 13 dakika veri, beş parmaklı ellerin bir şişe kapağını açmasına yetti
• 133% iyileşme, talimatları takip etme görevlerinde video ortak eğitim algoritmasından
• 10 milyon saat: şirketin yaklaşımın açtığı yolun gösterdiği eğitim veri ölçeği

Dyna’nın Dağıtımları Zaten Test Yatağıydı

DYNA-2, genç bir şirket için oldukça somut bir ticari temel üzerinde ortaya çıkıyor. Dyna’nın robotları, DYNA-1’i çalıştırıyor, üretim tesislerinde, otellerde, restoranlarda, çamaşırhanelerde ve spor salonlarında dağıtıldı. Şirketin kendi materyalleri, DYNA-1’in bir saatte 40’dan fazla gömlek katlayabildiğini ve müşteri sitelerinde 16 saat boyunca çalışabildiğini, 24 saatlik sürekli çalışmada %99’un üzerinde bir başarı oranına sahip olduğunu söylüyor.

Bu dağıtım ayak izi aynı zamanda araştırma arkasındaki veri tekerleğidir.

Şirketin açıkladığı yol, ölçekleme: eğer insan videosu ölçekleme eğrisi tutarsa, Dyna diyor ki, 10 milyon saatlik eğitim, teleoperasyon rigleri inşa etmek yerine video toplamak anlamına gelir. 1 milyon saatlik sonuç, eğrinin varlığının kanıtı. 10 katında tutup tutmayacağı açık bir mühendislik sorusu — ve Dyna şimdi bunu yol haritasına bağladı.