Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
S imulated-to-real Leistungslücken
Da die Simulation nicht alle Aspekte der realen Welt genau abbilden kann, funktionieren die in der Simulation trainierten Modelle in der realen Welt möglicherweise nicht zufriedenstellend. Solche Diskrepanzen werden oft als simulated-to-real (sim2real) -Leistungslücken bezeichnet.
In AWS wurden Anstrengungen unternommen, DeepRacer um die Leistungslücke von sim2real zu minimieren. So ist beispielsweise der simulierte Agent so programmiert, dass er etwa 10 Aktionen pro Sekunde ausführt. Dies entspricht der Häufigkeit, mit der das DeepRacer AWS-Gerät Inferenzen ausführt, etwa 10 Inferenzen pro Sekunde. Außerdem wird beispielsweise zu Beginn jeder Episode im Training die Position des Agenten zufällig bestimmt. Dies maximiert die Wahrscheinlichkeit, dass der Agent alle Teile der Spur gleichmäßig lernt.
Um die real2sim-Leistungsunterschiede zu verringern, sollten Sie sowohl für die simulierten Strecken als auch für die echten Strecken Spuren derselben Farben, Formen und Abmessungen verwenden. Um visuelle Ablenkungen zu reduzieren, platzieren Sie Barrikaden um die reale Strecke herum. Kalibrieren Sie außerdem die Geschwindigkeits- und Lenkwinkelbereiche des Geräts sorgfältig, sodass der beim Training genutzte Aktionsraum der realen Welt entspricht. Die Evaluierung der Modellleistung auf einer anderen Simulationsstrecke als der im Training verwendeten kann den Umfang der real2real-Leistungslücke aufzeigen.
Weitere Informationen darüber, wie Sie die sim2real-Lücke beim Training eines DeepRacer AWS-Modells verringern können, finden Sie unter. Optimieren Sie die DeepRacer AWS-Schulungsmodelle für reale Umgebungen
