1 milyon saatlik insan videosuyla eğitilen robot: Performans şirketin kendi testlerine dayanıyor

Robot eğitiminde 1 milyon saatten fazla insanın birinci şahıs bakış açısıyla çekilmiş videosu kullanılıyor. Dyna Robotics, Dyna-2 modelini insan videolarıyla ön eğitimden geçirdiğini ve veri miktarını artırdığı deneylerde 14 görevdeki ortalama normalize performansın %20’den %53’e yükseldiğini açıkladı.

Dyna Robotics’in Ağustos 2026’da yayımladığı araştırmada yemek pişirme, düzenleme, katlama ve montaj gibi günlük işlerin videoları yer aldı. Bazı videolarda el pozları izlenerek bilek yörüngesi ve kavrama hareketlerine ilişkin bilgiler çıkarıldı. Araştırmacılar, ön eğitim verisini 1.000 saatten 1 milyon saate kadar değiştirerek sonuçları karşılaştırdı.

%53, görev başarı oranı değil. Bu değer, şirketin tanımladığı görev bazında ‘ulaşılabilir azami performansa’ göre hesaplanan ortalama normalize performansı ifade ediyor. Tüm robotların ve çalışma ortamlarının aynı performansı göstereceği anlamına da gelmiyor; sonuçlar şirketin kendi deneylerine dayanıyor.

İnsan videoları, ellerin nesnelere temasını ve çalışma sahnesinin değişimini gösteriyor. Dyna Robotics araştırmasında bu bilgilerin nesne manipülasyonunu öğrenmeye katkı sağlayabileceğini belirtti. Yaklaşım, robotu doğrudan hareket ettirerek gösterim verisi toplamanın yanı sıra günlük videoları da eğitim materyali olarak kullanmayı hedefliyor.

Ancak insan eliyle robot eklemlerinin yapısı ve hareketleri farklı. Videoda gözlemlenen davranışları robotun uygulayacağı eklem komutlarına ve kuvvet ayarlarına dönüştürmek için ayrıca dönüştürme ve doğrulama gerekiyor. El yörüngesini çıkarmak, gerçek bir nesneyi kavrayıp taşıma hareketinin yeniden üretileceğini tek başına göstermiyor.

Uluslararası Yapay Zekâ Ortak Konferansı’nda (IJCAI) yayımlanan 2026 tarihli bir inceleme makalesi, yapılandırılmamış videoları eğitim için görev birimlerine ayırmayı ve videodan elde edilen bilgileri robot hareketlerine bağlamayı başlıca zorluklar arasında saydı. Gerçek kullanım performansını öngörebilecek değerlendirme yöntemlerine de ihtiyaç olduğunu belirtti. Video miktarı ile görev bilgilerinin doğruluğu ayrı ayrı ele alınmalı.

Veri toplama yöntemleri genel videolar ve özel hareket yakalama ekipmanları olarak ikiye ayrılıyor. Innodata, 30 Eylül 2026’da ABD’nin New Jersey eyaletindeki Ridgefield Park’ta bir hareket yakalama araştırma ve geliştirme laboratuvarı açtığını duyurdu. Şirket, tesisi Vicon kızılötesi optik kameralarla hareketleri milimetrenin altında hassasiyetle izleyecek şekilde tasarladığını açıkladı.

Bu özellik, şirketin tesisin izleme hassasiyetine ilişkin açıklamasıdır; veri üretim miktarını veya eğitim modelinin performansını gösteren bir ölçüt değildir. Hareketleri hassas ekipmanla kaydetmek ile günlük videolardan yararlanmak farklı toplama ortamlarına ve kaydedilen bilgilere dayanıyor. Bu nedenle sonuçları aynı ölçütlerle karşılaştırmak zor.

Scale AI, fiziksel yapay zekâ veri işinde uzaktan kumandalı gösterimler ve robot gerektirmeyen birinci şahıs video toplama platformunu tanıtıyor. Bunlar şirketin ürün ve çalışma yöntemlerine ilişkin açıklamaları. Toplama koşulları ve etiketleme yöntemleri farklı veriler birlikte kullanıldığında, eğitim için gerekli görev bilgilerinin tutarlı biçimde yer alıp almadığı da incelenmeli.

İnsan videolarından yararlanmak için çekim verilerinin nasıl işleneceğine de karar verilmesi gerekiyor. Üretimde insan-robot iş birliğini ele alan bir etik araştırması, çalışanların rızasını ve verilerin bildirilen amaç doğrultusunda işlenmesini inceledi. İş yeri videolarında saklama süresi ve yeniden kullanım kapsamının yanı sıra, kayıtların işveren gözetimi veya çalışan değerlendirmesi için kullanılıp kullanılmadığı da değerlendirilmesi gereken konular arasında.

Dyna Robotics’in deney sonuçlarından yola çıkarak video temelli öğrenmenin sahadaki performansını genellemek mümkün değil. Videodan uygulanabilir hareketlerin ne kadar doğru çıkarıldığı ve performansın gerçek robotlarda ve çalışma ortamlarında tekrarlanıp tekrarlanmadığı ek değerlendirmeler gerektiriyor. İnsan videoları, doğrudan toplanan robot gösterimlerini tamamlayabilecek bir veri kaynağı olarak sunuluyor.