Dyna-2, 인간 영상 100만 시간으로 로봇 학습의 새 확장 경로 시험

Dyna Robotics가 일상적인 물리 작업을 수행하는 사람들을 담은 100만 시간 이상의 1인칭 영상으로 사전학습한 세계-행동 모델 Dyna-2를 공개했다. 회사는 인간 영상이 늘수록 보류된 인간 사례뿐 아니라 사전학습에서 전혀 보지 못한 로봇 데이터의 예측도 향상됐다고 보고했다. 핵심 주장은 인간-로봇 전이 확장 법칙이다. 학습 세트의 인간 경험이 많아질수록 서로 다른 신체 간 격차를 넘는 결과가 점진적으로 좋아졌다는 것이다.

로봇 학습팀은 흔히 원격조작이나 전용 수집 장비로 데이터를 모은다. 이런 방식은 유용한 행동 레이블을 제공하지만 모든 시간을 로봇이나 통제된 장치로 의도적으로 기록해야 한다. Dyna의 대안은 요리하고 정리하고 접고 물체를 조립하는 사람들의 1인칭 영상에서 시작한다. 적합한 영상을 손목 궤적과 잡기 신호로 바꾸는 정제 및 손 자세 추출 파이프라인을 만들고, 정확히 1천·1만·10만·100만 시간인 중첩 학습 세트를 구성해 이전 분포를 대체하지 않고 데이터를 추가했다.

Dyna-2는 영상 확산 백본과 트랜스포머 혼합을 사용해 미래 영상과 행동을 함께 모델링한다. 영상과 행동 입력은 정보를 교환할 수 있는 별도 계층을 가지며 언어 지시가 영상 스트림의 조건이 된다. 배포된 정책이 행동 전 미래 영상을 생성할 필요는 없지만, 영상 목표는 장면과 물체의 변화 방식에 대한 공유 표현을 형성한다. Dyna는 영상 스트림에 일찍 연결된 얕은 행동 계층이 아키텍처 시험에서 성능 손실 없이 실시간 지연을 개선했다고 말한다.

회사는 보류 인간 데이터에서 학습 영상이 증가할수록 연속 오차 지표와 임계 정확도가 단조롭게 개선됐다고 보고한다. 전이를 조사하려고 두 대의 고정형 양팔 YAM 로봇 플랫폼에서 가져온 39개 작업에 같은 체크포인트를 평가했다. 천 다루기, 매듭 묶기, 포장, 청소, 음식 서비스, 조립이 포함됐으며 어떤 체크포인트도 평가 세트의 로봇 궤적으로 학습하지 않았다. Dyna는 모든 지표가 인간 사전학습 규모에 따라 단조 순위를 보였고 1만~10만 시간 사이에 변곡점이 있었다고 말한다.

연구진은 네 체크포인트를 동일한 로봇 작업 데이터로 사후학습한 뒤 14개 작업과 세 가지 신체 형태에서 블라인드 실물 시험을 했다. 평균 정규화 성능은 가장 작은 인간 영상 규모에서 20%였고 28%, 45%, 100만 시간에서 53%로 올랐다. 최대 모델은 14개 작업 중 9개에서 최고였다. 회사 결과에 따르면 잠금상자의 열쇠를 돌리는 작업은 10만 시간 체크포인트까지 풀리지 않았지만 100만 시간에서 성공률 90%에 도달했다.

인간 영상과 로봇 학습을 가장 명확히 연결하는 데이터 효율 사례는 다섯 손가락을 가진 두 손으로 병뚜껑을 여는 작업이다. Dyna는 사후학습에 약 10분의 로봇 시연 데이터만 사용했고, 인간 영상 규모가 늘자 성능이 작은 사전학습 예산의 10%에서 40%, 이어 50%로 높아졌다. 지정 음료 꺼내기도 58%에서 83%로 상승했다. 회사가 수행한 실험이므로 이를 보편적 관계로 보기 전에 다른 연구소, 로봇, 데이터 원천에서 독립 재현해야 한다.

보고서의 통제 비교는 미래 영상을 예측하는 일이 학습량 추가 이상의 역할을 함을 시사한다. 영상-행동 공동 목표는 시험한 모든 행동 데이터 규모에서 39개 오프라인 로봇 작업 전부에 대해 행동 전용 학습을 앞섰고, 영상 전용 데이터 추가는 신체 형태 간 일반화를 더 단조롭게 높였다. 풍부한 인간 영상으로 넓은 물리 지식을 제공한 뒤 적은 로봇 전용 데이터로 특정 신체와 작업에 적응시키는 실용 경로를 뒷받침한다. 남은 문제는 데이터 권리, 기록 활동의 다양성과 품질, 시험된 조작 환경 밖 성능, 모델·컴퓨팅·로봇 형태가 바뀌어도 보고된 곡선이 이어지는지다.