Dyna Roboticsが基盤モデル「DYNA-2」発表、100万時間の人間の動画から物理直感を獲得

ロボットに作業を教える際、最大のボトルネックは専用データの収集でした。エンジニアがVRゴーグルを着けて遠隔操作するか、アームを直接動かして教示する必要があり、膨大な手間とコストがかかっていました。

カリフォルニア州レッドウッドシティを拠点とするDyna Roboticsは8月10日、この課題を打破する新基盤モデル「DYNA-2」を発表しました。事前学習にロボット専用データを一切使わず、人間が作業する動画を観察させるだけで物理直感を学習させたのが特徴です。

100万時間の人間の日常から物理法則を学ぶ

DYNA-2は世界動作モデル（World-Action Model）アーキテクチャを採用しています。事前学習には100万時間を超える人間の主観視点動画が使われており、これは人間が約170年連続して生活する視覚経験に相当します。

映像の内容は、服を畳む、料理を作る、掃除をする、家具を組み立てるなど日常的な動作です。モデルは単に物の形状を覚えるのではなく、人の手が触れたときに物体がどう動き、環境がどう変化するかという物理的な因果関係を予測します。

さらに重要なのはスケーリング則の確認です。学習に使う人間の動画データを増やすほど、未学習のロボットデータに対する適応能力も比例して向上することが判明しました。実機への展開時は、わずか数時間の微調整を行うだけで異なるハードウェアに適合できます。

Dyna Roboticsによると、この動画共同学習手法によって、指示に従って物理的動作を行うタスクの精度が133%向上したといいます。

物流・ホテル・厨房の実現場へ即座に投入

このモデルを搭載したフラッグシップ機「Dyna-2.1」は、複雑で長時間のワークフローを自動化する実用エージェントとして設計されています。

物流倉庫では、未登録のSKUを含む荷物のピッキング、検品、配置、封入を1時間に200個処理し、ラベルやバーコードの向きを整えながらプラスマイナス2mmの精度で配置します。

ホテルの客室清掃では、チェックアウト後の部屋を1台で22分以内に次の宿泊客が使える状態へと整え、97%以上の初回点検合格率を記録しました。飲食店の厨房でも、1時間に100皿の盛り付けと配膳を行い、1皿あたり40秒未満で提供を完了します。

従来のロボットと異なり、ミスが発生した際に停止せず、その場で状況を検知して自己修正し作業を継続できるリアルタイムリカバリー機能も備えています。

なぜ重要か

身体性AIの実用化を阻んできたのは、ハードウェアの性能以上に、高価でスケーラビリティに欠ける遠隔操作データでした。ロボットの形状や作業環境が変わるたびに大量のデータを集め直す手法は、ビジネスとして成り立ちにくいのが現実です。

Dyna Roboticsのアプローチは非常に合理的だと考えられます。物理的な常識や空間認識の獲得を人間の一人称動画という潤沢なデータソースに委ね、実機学習をごく短時間の微調整に絞り込みました。これにより、ロボット導入の初期コストと期間は劇的に圧縮されます。

課題となるのは触覚や力加減の習得です。動画を見るだけでは、対象物を掴む際の最適な摩擦や握力までは学習できません。壊れやすい物品を扱う現場では、微調整段階の質が厳しく問われることになるでしょう。それでも、人間の動きを見るだけでロボットが物理法則を学べることを実証した意義は極めて大きいです。