Aumento de Dados (para robótica)
O aumento de dados em aprendizado de robô aplica transformações aleatórias às observações de treinamento para melhorar a robustez da política sem coletar demonstrações adicionais. Os aumentos de imagem comuns incluem corte aleatório, variação de cor, desfoque gaussiano e cutout. Aumentos mais sofisticados sobrepõem fundos distratores, alteram condições de iluminação ou injetam ruído de sensor para evitar overfitting a características visuais específicas no ambiente de treinamento. Algumas abordagens também aumentam ações — por exemplo, adicionando ruído a trajetórias articulares para ensinar a política a se recuperar de perturbações. O aumento é especialmente importante quando os dados de treinamento são caros (cada demonstração requer tempo do operador humano). Veja isso na prática: nosso serviço de coleta de dados →