실제 로 전송 하는 것: 실용적 인 지침서

현실 이 뚜렷 한 차이

시뮬레이션에서 95%의 성공을 달성하는 정책은 실제 세계에서 종종 30~50%로 떨어집니다. 이 "현실 격차"는 시각적 차이 (전시 이미지와 실제 이미지), 물리학 차이 (접촉 모델의 부정확성) 및 센서 노이즈 패턴에서 비롯됩니다. 이 격차를 체계적으로 다는 것은 로봇 학습에서 가장 중요한 실용적인 기술 중 하나입니다.

세 가지 전략

도메인 무작위화: 실제 세계는 "단 하나의 샘플"이기 때문에 광범위한 파라미터 배포를 통해 훈련합니다. 시스템 식별: 현실과 일치하도록 시뮬레이션 파라미터들을 신중하게 측정하고 캘리브레이트합니다. 정밀 조정: 시뮬레이션에서 훈련하고, 작은 실제 데이터 세트를 (50200 에피소드) 수집하고 정밀 조정합니다. 대부분의 성공적인 배포는 세 가지를 모두 결합합니다.

• 도메인 무작위 분류: 시각 정책에 가장 좋습니다
• 시스템 식별: 접촉이 풍부한 작업에 가장 좋습니다
• 실제 현상 정렬: 거의 항상 성능을 향상시킵니다
• 추천: 세 가지를 모두 합쳐

실용적 인 조언

MuJoCo 또는 아이작 Sim (두 가지 모두 좋은 접촉 모델) 를 시작하십시오. 카메라 위치, 조명 및 객체 텍스처를 공격적으로 무작위로 조정하십시오. 실제 관절 마찰과 감축을 측정하십시오. 복잡한 작업을 시도하기 전에 간단한 작업에서 sim-to-real을 검증하십시오. RCSV는 OpenArm에 대한 캘리브러드 시뮬레이션 모델을 제공합니다.

현실 이 뚜렷 한 차이

시뮬레이션에서 95%의 성공을 달성하는 정책은 실제 세계에서 종종 30~50%로 떨어집니다. 이 "현실 격차"는 시각적 차이 (전시 이미지와 실제 이미지), 물리학 차이 (접촉 모델의 부정확성) 및 센서 노이즈 패턴에서 비롯됩니다. 이 격차를 체계적으로 다는 것은 로봇 학습에서 가장 중요한 실용적인 기술 중 하나입니다.

세 가지 전략

도메인 무작위화: 실제 세계는 "단 하나의 샘플"이기 때문에 광범위한 파라미터 배포를 통해 훈련합니다. 시스템 식별: 현실과 일치하도록 시뮬레이션 파라미터들을 신중하게 측정하고 캘리브레이트합니다. 정밀 조정: 시뮬레이션에서 훈련하고, 작은 실제 데이터 세트를 (50200 에피소드) 수집하고 정밀 조정합니다. 대부분의 성공적인 배포는 세 가지를 모두 결합합니다.

• 도메인 무작위 분류: 시각 정책에 가장 좋습니다
• 시스템 식별: 접촉이 풍부한 작업에 가장 좋습니다
• 실제 현상 정렬: 거의 항상 성능을 향상시킵니다
• 추천: 세 가지를 모두 합쳐

실용적 인 조언

MuJoCo 또는 아이작 Sim (두 가지 모두 좋은 접촉 모델) 를 시작하십시오. 카메라 위치, 조명 및 객체 텍스처를 공격적으로 무작위로 조정하십시오. 실제 관절 마찰과 감축을 측정하십시오. 복잡한 작업을 시도하기 전에 간단한 작업에서 sim-to-real을 검증하십시오. RCSV는 OpenArm에 대한 캘리브러드 시뮬레이션 모델을 제공합니다.