Datenerweiterung (für Robotik)
Datenerweiterung beim Roboterlernen wendet zufällige Transformationen auf Trainingsbeobachtungen an, um die Robustheit der Kontrollpolitik zu verbessern, ohne zusätzliche Demonstrationen zu sammeln. Häufige Bildaugmentationen sind zufälliger Zuschnitt, Farbvariationen, Gaußsche Unschärfe und Cutout. Anspruchsvollere Augmentationen überlagern ablenkende Hintergründe, ändern Lichtverhältnisse oder injizieren Sensorrauschen, um Überanpassung an spezifische visuelle Merkmale in der Trainingsumgebung zu verhindern. Einige Ansätze erweitern auch Aktionen — zum Beispiel durch Hinzufügen von Rauschen zu Gelenkbahnen, um die Kontrollpolitik zu lehren, sich von Störungen zu erholen. Augmentation ist besonders wichtig, wenn Trainingsdaten teuer sind (jede Demonstration erfordert Zeit des menschlichen Bedieners). Siehe dies in der Praxis: unser Datenerfassungsservice →