Kesenjangan imulated-to-real kinerja S

Karena simulasi tidak dapat menangkap semua aspek dunia nyata secara akurat, model yang dilatih dalam simulasi mungkin tidak berfungsi dengan baik di dunia nyata. Perbedaan tersebut sering disebut sebagai kesenjangan kinerja simulated-to-real (sim2real).

Upaya telah dilakukan di AWS DeepRacer untuk meminimalkan kesenjangan kinerja sim2real. Misalnya, agen simulasi diprogram untuk mengambil sekitar 10 tindakan per detik. Ini cocok dengan frekuensi DeepRacer perangkat AWS menjalankan inferensi dengan, sekitar 10 inferensi per detik. Sebagai contoh lain, pada awal setiap episode dalam pelatihan, posisi agen diacak. Hal ini memaksimalkan kemungkinan bahwa agen mempelajari semua bagian lintasan secara merata.

Untuk membantu mengurangi celah performa real2sim, pastikan untuk menggunakan warna, bentuk, dan dimensi yang sama atau serupa untuk lintasan simulasi dan nyata. Untuk mengurangi gangguan visual, gunakan barikade di sekitar lintasan nyata. Juga, kalibrasi dengan hati-hati rentang kecepatan dan sudut kemudi perangkat sehingga ruang aksi yang digunakan dalam pelatihan cocok dengan dunia nyata. Mengevaluasi performa model dalam lintasan simulasi yang berbeda yang digunakan dalam pelatihan dapat menunjukkan sejauh mana celah performa real2real.

Untuk informasi selengkapnya tentang cara mengurangi kesenjangan sim2real saat melatih DeepRacer model AWS, lihat. Optimalkan DeepRacer model AWS pelatihan untuk lingkungan nyata