Lacune nelle imulated-to-real prestazioni

Poiché la simulazione non è in grado di acquisire tutti gli aspetti del mondo reale in modo preciso, i modelli addestrati nella simulazione potrebbero non funzionare bene in tale mondo. Tali discrepanze vengono spesso definite lacune prestazionali simulated-to-real (sim2real).

In AWS sono stati compiuti sforzi DeepRacer per ridurre al minimo il divario prestazionale di sim2real. Ad esempio, l'agente simulato è programmato per eseguire circa 10 azioni al secondo. Ciò corrisponde alla frequenza con cui il DeepRacer dispositivo AWS esegue l'inferenza, circa 10 inferenze al secondo. Un altro esempio: all'inizio di ogni episodio nell'addestramento, la posizione dell'agente è randomizzata. Ciò massimizza la probabilità che l'agente apprenda tutte le parti della pista in modo uniforme.

Per ridurre il divario di prestazioni real2sim, accertarti di utilizzare colore, forma e dimensioni identici o simili per le piste simulate e reali. Per ridurre le distrazioni visive, utilizza barricate lungo tutta la pista reale. Inoltre, calibra attentamente gli intervalli di velocità e gli angoli di sterzata del dispositivo in modo che lo spazio d'azione utilizzato durante l'allenamento corrisponda al mondo reale. La valutazione delle prestazioni di un modello in una pista di simulazione diversa rispetto a quella utilizzata nell'addestramento può mostrare la portata del divario delle prestazioni real2real.

Per ulteriori informazioni su come ridurre il divario sim2real durante l'addestramento di un DeepRacer modello AWS, consulta. Ottimizza la formazione DeepRacer dei modelli AWS per ambienti reali