Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Écarts imulated-to-real de performance S
Étant donné que la simulation ne peut pas capturer tous les aspects d'un environnement réel avec précision, les modèles formés en simulation peuvent ne pas fonctionner correctement en conditions réelles. De tels écarts sont souvent appelés écarts de performance simulated-to-real (sim2real).
Des efforts ont été déployés dans AWS DeepRacer pour minimiser l'écart de performance entre sim2real. Par exemple, l'agent simulé est programmé pour effectuer environ 10 actions par seconde. Cela correspond à la fréquence à laquelle le DeepRacer périphérique AWS exécute des inférences, soit environ 10 inférences par seconde. Autre exemple : au début de chaque épisode de la formation, la position de l'agent est aléatoire. Cela optimise la probabilité que l'agent apprenne uniformément tous les segments de la piste.
Pour vous aider à réduire l'écart de performance real2sim, veillez à utiliser les mêmes couleurs, formes et dimensions, ou des couleurs, formes et dimensions similaires, pour la piste simulée et la piste réelle. Pour réduire les distractions visuelles, utilisez des barrières autour de la piste. De plus, étalonnez soigneusement les plages de vitesse et d'angle de braquage de l'appareil afin que l'espace d'action utilisé lors de l'entraînement corresponde à celui du monde réel. L'évaluation des performances du modèle sur une piste de simulation différente de la piste utilisée pendant la formation peut permettre d'identifier l'ampleur de l'écart de performance real2real.
Pour plus d'informations sur la manière de réduire l'écart entre sim2real lors de la formation d'un DeepRacer modèle AWS, consultez. Optimisez les DeepRacer modèles AWS de formation pour les environnements réels
