Sim-to-Real Gap
PulseAugur coverage of Sim-to-Real Gap — every cluster mentioning Sim-to-Real Gap across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的基准测试Sim2Signal解决了交通信号控制中的仿真到真实差距问题
研究人员推出了Sim2Signal，这是一个新的基准测试，旨在系统地衡量和评估在交通信号控制中使用强化学习来弥合“仿真到真实差距”的方法。这种差距是指在模拟中训练的策略在现实世界部署中失败的现象，该差距被分解为观察、动作、转移和奖励组件，每个组件都单独诱导。在33个差距设置和10个校准网络上的实验表明，直接迁移会持续降低性能，并且缓解效果高度依赖于特定的网络和差距类型。研究发现，估计差距变化的方法通常比域随机化技术更有效。
-
强化学习通过域随机化解决模拟到现实的差距
一个新视频探讨了在强化学习中弥合模拟到现实差距的挑战。该视频演示了如何使用域随机化来解决这些问题，尽管它指出这种方法需要显著更长的训练时间。
-
无网格域随机化增强3D高斯溅射以实现从模拟到现实的迁移
研究人员开发了一种新颖的无网格域随机化技术，用于3D高斯溅射（3DGS），以改善模型从模拟到现实世界的迁移。该方法通过扰动3DGS的参数空间，而不是依赖传统的面片网格，来生成多样化的训练数据。该方法包括一个光度管线，用于修改球谐函数系数以实现光照和颜色变化；以及一个程序化管线，用3D空间噪声替换纹理。然后将这些随机化的辐射场与各种背景合成，为复杂几何形状的数据集提供了一种更强大的创建方式。
-
PhysGuard框架改进神经算子从仿真到现实的适配
研究人员开发了PhysGuard，一个旨在改进神经算子从仿真到现实适配的新框架。该方法利用仿真数据中的Fisher信息矩阵，在微调过程中识别并保护物理关键参数方向。PhysGuard旨在防止在标准微调过程中可能发生的、尤其是在显著的领域偏移下，基本物理表示的退化。实验表明，与传统的微调方法相比，PhysGuard可将低频误差最多降低32%，同时保持了适应性。