Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Lagunas entre el rendimiento real y el simulado
Dado que la simulación no puede captar todos los aspectos del mundo real con precisión, los modelos entrenados en simulación pueden no funcionar bien en el mundo real. Estas discrepancias suelen denominarse lagunas entre el desempeño real y el simulado (sim2real).
Se han realizado esfuerzos en AWS DeepRacer para minimizar las lagunas de rendimiento sim2real. Por ejemplo, el agente simulado está programado para realizar unas 10 acciones por segundo. Esto coincide con la frecuencia con la que el dispositivo de AWS DeepRacer ejecuta inferencias, unas 10 inferencias por segundo. Otro ejemplo: al inicio de cada episodio en el entrenamiento, la posición del agente es aleatoria. Esto maximiza la probabilidad de que el agente se aprenda todas las partes de la pista de manera uniforme.
Para ayudar a reducir las lagunas de desempeño real2sim, utilice el mismo (o similar) color, forma y dimensiones tanto para las pistas reales como para las simuladas. Para reducir las distracciones visuales, utilice vallas a lo largo de la pista real. Además, calibre con sumo cuidado los rangos de velocidad y los ángulos de dirección del dispositivo para que el espacio de acción utilizado en el entrenamiento coincida con el mundo real. Evaluar el desempeño del modelo en una pista de simulación diferente a la usada en el entrenamiento puede mostrar la magnitud de la laguna de desempeño real2real.
Para obtener más información sobre cómo reducir la laguna sim2real al entrenar un modelo de AWS DeepRacer, consulte Optimización del entrenamiento de modelos de AWS DeepRacer para entornos reales.
