Aumento de Datos (para robótica)
El aumento de datos en el aprendizaje de robots aplica transformaciones aleatorias a las observaciones de entrenamiento para mejorar la robustez de la política sin recopilar demostraciones adicionales. Los aumentos de imagen comunes incluyen recorte aleatorio, variación de color, desenfoque gaussiano y cutout. Los aumentos más sofisticados superponen fondos distractores, cambian condiciones de iluminación o inyectan ruido de sensores para evitar el sobreajuste a características visuales específicas en el entorno de entrenamiento. Algunos enfoques también aumentan acciones — por ejemplo, agregando ruido a trayectorias articulares para enseñar a la política a recuperarse de perturbaciones. El aumento es especialmente importante cuando los datos de entrenamiento son costosos (cada demostración requiere tiempo del operador humano). Véalo en la práctica: nuestro servicio de recopilación de datos →