이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
DYNA Robotics가 공개한 DYNA-2는 100만 시간의 사람 1인칭 영상을 프리트레이닝하여 로봇의 행동을 예측하는 월드 액션 모델이다. 이 모델은 Mixture of Transformer와 Video DiT, Action DiT를 결합한 구조를 채택하며, 사람의 손목 움직임을 6DOF 그리퍼로 좌표화하는 데이터 파이프라인을 통해 학습 효율을 극대화했다. 실험 결과, 대규모 휴먼 데이터로 학습된 스케일링 로가 실제 로봇 데이터로 전이됨이 확인되었으며, 기존 VLA 모델 대비 고객 사이트 배포 성능에서 우위를 점한다.
챕터별 상세
DYNA-2 월드 액션 모델 공개
DYNA Robotics가 100만 시간의 사람 1인칭 영상을 학습한 월드 액션 모델 DYNA-2를 공개했다. 이 모델은 로봇 데이터 없이도 사람의 행동 데이터를 통해 로봇 제어 능력을 학습하는 것이 특징이다.
로보틱스에서 스케일링 로가 중요한 이유
로보틱스 분야에서 데이터 스케일링 로는 학습 데이터 양에 따른 모델 성능 향상을 예측하게 하여, 효율적인 데이터 수집과 투자 결정을 돕는 핵심 지표로 활용된다.
Generalist와 EgoScale의 스케일링 로
Generalist GEN-0와 NVIDIA EgoScale 연구는 데이터 스케일링이 로봇 제어 성능을 어떻게 개선하는지 수치적으로 입증하며, 데이터 양이 늘어날수록 검증 오차가 줄어드는 경향을 보여준다.
DYNA Robotics는 어떤 회사인가
DYNA Robotics는 로봇 파운데이션 모델을 연구하는 기업으로, 인퍼런스 속도와 실제 배포 성능을 최우선으로 고려하며 실무 중심의 기술을 개발한다.
DYNA-2 아키텍처와 Mixture of Transformer
DYNA-2는 여러 모달리티를 효율적으로 처리하기 위해 Mixture of Transformer 구조를 채택하고, Video DiT와 Action DiT를 결합하여 비디오와 액션 데이터를 동시에 학습한다.
DYNA-1과의 비교, Qwen3-VL
DYNA-1은 Qwen3-VL을 기반으로 구축되었으며, DYNA-2는 이를 발전시켜 더 복잡한 로봇 제어 태스크를 수행할 수 있도록 아키텍처를 개선했다.
VLA와 World Action Model의 차이
VLA는 텍스트와 비전 입력을 받아 액션을 출력하는 구조인 반면, 월드 액션 모델은 미래 비디오 프레임을 예측하여 로봇의 행동을 결정하는 구조적 차이가 있다.
DreamZero부터 Fast-WAM까지의 계보
월드 액션 모델은 DreamZero에서 제안된 개념을 시작으로 Fast-WAM 등 다양한 연구를 거치며 비디오 생성과 액션 예측을 통합하는 방향으로 발전했다.
100만 시간 휴먼 데이터 스케일링 로
100만 시간의 휴먼 데이터는 로봇 제어 성능을 획기적으로 높이는 임계점으로 작용하며, 데이터 양이 많을수록 로봇의 제어 정확도가 비약적으로 상승한다.
사람 손을 6DOF 그리퍼로 좌표화하기
사람의 손 움직임을 6자유도(6DOF) 그리퍼 좌표로 변환하는 데이터 파이프라인은 로봇이 사람의 행동을 모방 학습할 수 있게 하는 핵심 기술이다.
로봇 데이터 제로샷 평가와 파인튜닝 검증
DYNA-2는 로봇 데이터로 학습하지 않은 상태에서도 제로샷 성능을 보이며, 파인튜닝을 통해 특정 태스크에서 높은 성공률을 달성한다.
액션 온리 vs 조인트 vs 비디오 코트레이닝
액션 온리, 조인트 학습, 비디오 코트레이닝 방식을 비교한 결과, 비디오 코트레이닝이 가장 높은 성능 향상을 보이며 데이터 학습 효율이 가장 우수하다.
VLA vs WAM, 실제 고객 사이트 배포 성능
실제 고객 사이트 배포 환경에서 WAM은 VLA 모델보다 높은 성공률과 신뢰성을 보여주며, 실무 적용 가능성을 입증했다.
원스텝 디스틸레이션과 인퍼런스 레이턴시
원스텝 디스틸레이션 기법은 모델의 인퍼런스 레이턴시를 획기적으로 줄여, 실시간 로봇 제어가 가능하도록 성능을 최적화한다.
결론, 휴먼 데이터 진영과 남은 과제
DYNA-2는 휴먼 데이터 스케일링의 가능성을 보여주었으나, 실제 로봇 배포를 위한 데이터 정제와 다양한 환경에 대한 일반화는 여전히 해결해야 할 과제이다.
용어 해설
- 월드 액션 모델(World Action Model)
- — 비디오 생성 모델을 기반으로 미래 상태를 예측하고 이를 통해 로봇의 행동을 결정하는 모델 아키텍처이다. 기존 VLA 모델과 달리 미래 프레임을 예측하여 로봇 제어의 정확도를 높인다.
- 비디오 디퓨전 트랜스포머(Video DiT)
- — 비디오 데이터를 생성하기 위해 트랜스포머 구조를 활용하는 확산 모델이다. 고해상도 비디오 생성 및 미래 상태 예측에 효과적이다.
- 6자유도(6DOF)
- — 물체가 3차원 공간에서 가질 수 있는 위치(x, y, z)와 회전(roll, pitch, yaw)의 총 6가지 움직임 자유도이다. 로봇 그리퍼의 정밀 제어에 필수적이다.
- 제로샷(Zero-shot)
- — 모델이 특정 태스크에 대해 별도의 학습(파인튜닝) 없이 즉시 수행하는 능력이다. 사전 학습된 지식을 바탕으로 새로운 환경에 적응한다.
- 증류(Distillation)
- — 큰 모델(교사)의 지식을 작은 모델(학생)로 전달하여 성능을 유지하면서 속도를 높이는 기법이다. 인퍼런스 레이턴시를 줄이는 데 사용된다.
언급된 리소스
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 08. 19.수집 2026. 08. 19.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
