Dyna Robotics ha sviluppato DYNA-2, un nuovo modello per il controllo robotico addestrato utilizzando oltre un milione di ore di video egocentrici che mostrano persone impegnate in attività reali. La caratteristica centrale del sistema è che nella fase di pre-training non vengono utilizzati dati generati da robot: il modello apprende invece osservando il comportamento umano e trasferisce successivamente quanto appreso su differenti piattaforme robotiche. Dyna definisce questa architettura un World-Action Model, progettato per costruire una rappresentazione del modo in cui oggetti, superfici e corpi interagiscono nello spazio prima di determinare l’azione che il robot deve eseguire. Il dataset utilizzato corrisponde, secondo l’azienda, a circa 170 anni di esperienza continua nelle ore di veglia.
L’approccio differisce dai modelli Vision-Language-Action utilizzati in molti sistemi robotici, che vengono generalmente adattati utilizzando grandi quantità di dimostrazioni effettuate direttamente con i robot, spesso attraverso teleoperazione. La raccolta di questi dati richiede hardware, operatori e numerose ore di esecuzione delle singole attività. DYNA-2 viene invece pre-addestrato mediante video umani utilizzando contemporaneamente due obiettivi: prevedere il fotogramma successivo della sequenza e prevedere l’azione successiva. In questo modo il modello dovrebbe apprendere non soltanto la relazione visiva tra gli elementi presenti nella scena, ma anche informazioni relative alla fisica del contatto, ai movimenti e alle relazioni spaziali necessarie per manipolare gli oggetti.
Le capacità apprese durante il pre-training possono essere trasferite a hardware molto differenti tra loro. Dyna ha utilizzato DYNA-2 con bracci robotici fissi, prototipi umanoidi e mani robotiche dotate di cinque dita, nonostante queste configurazioni non fossero presenti nei video utilizzati durante il pre-addestramento. Una volta trasferito il modello su una determinata piattaforma rimane comunque necessaria una fase di fine-tuning locale, ma la quantità di dati richiesta risulta molto più contenuta rispetto alla raccolta tradizionale. In uno degli esperimenti riportati dall’azienda sono stati sufficienti 13 minuti di dati specifici per insegnare a una coppia di mani robotiche a cinque dita ad afferrare una bottiglia e svitarne il tappo.
I test condotti su 15 attività differenti hanno inoltre mostrato una relazione tra quantità di video utilizzati nel pre-training e prestazioni ottenute successivamente dal robot. Le policy addestrate utilizzando una quantità maggiore di video umani hanno sistematicamente superato quelle pre-addestrate su dataset più piccoli. Dyna considera questo comportamento particolarmente importante perché suggerisce la possibilità di aumentare le capacità del modello continuando ad ampliare il dataset video senza dover produrre una quantità equivalente di dimostrazioni robotiche. Per alcune attività manifatturiere che richiedono elevata precisione, l’aumento della scala del pre-training ha portato il tasso di successo dal 20% iniziale a valori compresi tra l’80 e il 90%.
DYNA-2 è stato confrontato direttamente anche con DYNA-1, il precedente modello Vision-Language-Action già utilizzato nei sistemi commerciali dell’azienda. I test fisici sono stati eseguiti mantenendo equivalenti numero di passaggi di addestramento e dataset disponibili per i due sistemi. Nelle attività che richiedevano manipolazioni complesse, come il taglio di alimenti o lo sgombero di una superficie di lavoro, DYNA-2 è riuscito a recuperare autonomamente dopo disturbi fisici verificatisi durante l’esecuzione, mentre il modello precedente poteva fallire e richiedere un reset manuale. Nelle valutazioni reali DYNA-2 ha completato complessivamente un numero di attività pari a 1,55 volte quello raggiunto da DYNA-1.
La differenza è emersa anche in un’installazione presso un cliente, dove DYNA-2 ha ottenuto un tasso di superamento dei test dell’87%, rispetto al 46% registrato da DYNA-1. Dyna ha inoltre sviluppato un algoritmo di co-training basato sui video per migliorare il collegamento tra istruzioni impartite dall’utente e movimenti richiesti al robot. Nei test che prevedevano l’esecuzione di azioni fisiche differenti in risposta a comandi diversi, questo metodo ha determinato un incremento del 133% nei punteggi relativi alla capacità di seguire le istruzioni.
Il nuovo modello nasce inoltre da una piattaforma robotica che dispone già di installazioni operative. DYNA-1 viene utilizzato in ambienti produttivi e commerciali quali hotel, ristoranti, lavanderie e palestre. Nei sistemi dedicati alla gestione degli indumenti, i robot dell’azienda riescono a piegare più di 40 magliette all’ora in funzionamento continuo. Dyna dichiara inoltre installazioni operative fino a 16 ore al giorno presso i clienti e tassi di successo superiori al 99% durante prove di funzionamento continuo nell’arco delle 24 ore. Il sito dell’azienda indica attualmente una percentuale di successo del 99,4% per DYNA-1 negli ambienti reali.
Queste installazioni costituiscono anche una fonte di dati per lo sviluppo delle generazioni successive dei modelli. Con DYNA-2, tuttavia, Dyna punta soprattutto a ridurre la dipendenza dalla raccolta di dimostrazioni robotiche su larga scala. Se il miglioramento osservato aumentando il numero di ore di video dovesse mantenersi anche su dataset più estesi, l’azienda ritiene possibile portare il pre-training dagli attuali oltre un milione di ore fino a 10 milioni di ore di video umani. L’aumento della scala richiederebbe in questo caso principalmente l’acquisizione e la gestione di nuovi dati video, anziché la realizzazione di flotte di robot dedicate alla teleoperazione e alla produzione delle dimostrazioni necessarie all’addestramento. La verifica del comportamento del modello passando da un milione a dieci milioni di ore rappresenta ora il successivo obiettivo tecnico indicato da Dyna Robotics.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)