reality gap | BriefGPT - AI 论文速递

关键词reality gap

搜索结果 - 9

MM用强基准方法改进合成数据上的目标检测训练
我们提出了一种在合成数据上训练预训练目标检测器的方法，通过提取合成数据的显著信息并保留在真实图像上预训练的有用特征，结合数据增强方法和 Transformer 骨干网络，我们在 RarePlanes、DGTA-VisDrone 数据集上改进
PDFa month ago
利用领域随机化和元学习来弥合基于强化学习的交通信号控制的现实差距
通过对潜在的模拟参数分析和对两种策略（Domain Randomization 和 Model-Agnostic Meta-Learning）的研究，我们研究了交通信号控制系统中的现实差距问题，并在实验中证明这两种方法优于现有的强化学习算法
PDFa year ago
自动驾驶中的模拟现实和数字孪生：综述
本文探讨了自动驾驶技术中的安全性和成本问题，并介绍了通过两种技术解决虚拟仿真与实际场景差异带来的问题的研究进展：从仿真到真实场景的知识迁移（sim2real）和数字孪生的学习。同时，对算法、模型、仿真器的最新发展进行了概述，阐述了 sim2
PDFa year ago
NeoRL: 一种近似于真实环境的离线强化学习基准
本文提出了一个名为 NeoRL 的近实际场景离线强化学习基准，对现有的离线 RL 算法进行了评估，并提出了应该将策略的性能与确定性行为策略版本相比较，从而在现实中实现 RL 技术应用的验证和部署。
PDF3 years ago
机器人操作任务中的现实差距量化
本文研究了各种模拟器与真实机器人项目达成目标时的准确度差异，以及其在操作导向的机器人任务中的应用，呈现出多种现代模拟器的相对优势和劣势，对研究人员在选择适当的模拟器时提供帮助。
PDF6 years ago
家庭物品语义机器人抓取的深度物体姿态估计
通过使用合成数据，我们提出了一种用于单个 RGB 图像的已知物体 6-DoF 姿态估计的深度神经网络训练方法，成功地跨越了所谓的现实间隙，并通过机器人进行了实时物体姿态估计，取得了与基于真实数据的深度神经网络相当的表现。
PDF6 years ago
机器人 VR 眼镜：基于实际到虚拟域适应的视觉控制
本文提出了一种新颖的方法来解决从模拟环境到真实世界的深度强化学习策略传输问题，通过在部署阶段将真实世界的图像流翻译回合成域来解决这个问题，同时提出了一种不受下游任务影响的简单而有效的位移损失以及在室内和室外机器人实验中验证了我们的视觉控制方
PDF6 years ago
动态随机化的机器人控制的仿真到实际转移
本文介绍了一种简单的方法来解决在模拟训练中的现实差距问题。通过在训练过程中随机化模拟器的动力学，我们能够开发出适应非常不同的动力学的策略，并且使其在真实世界中推广而不需要在物理系统上进行训练。在机器人控制方面，我们的方法在物体推动任务上表现
PDF7 years ago
基于逐层神经网络的像素级仿真机器人学习
利用 Progressive Networks 框架实现了真实环境中机器人在视觉输入条件下进行复杂任务的学习，该方法可以通过在模拟环境中进行模型训练和预先学习来优化真实世界中的策略和性能，而不必依赖于模型基础的轨迹优化。
PDF8 years ago