Kemahiran sebenar dalam simulasi ke dunia nyata mungkin ialah mengetahui apa yang TIDAK perlu dirandomkan. Satu baris tenang dalam Mingguan terbaru @axisrobotics menarik perhatian saya: domain randomization kini mengekalkan objek yang diartikulasikan tetap sambil mengubah bahagian lain pemandangan. Perbezaan ini penting. Keragaman sintetik berguna sehingga variasi itu mula mengubah struktur kemahiran yang cuba diajarkan. Polisi yang belajar membuka laci atau almari sepatutnya mengalami keadaan sekeliling yang berbeza tanpa terus kehilangan interaksi stabil yang diperlukan untuk memahaminya. Jadi, masalahnya bukan: seberapa banyak variasi yang boleh kita hasilkan? Ia ialah: pemboleh ubah mana yang perlu berubah, dan mana yang perlu kekal tidak berubah? Ini mengubah domain randomization daripada trik volumen menjadi keputusan kejuruteraan tentang apa yang robot perlu belajar untuk abaikan. Data sintetik yang lebih banyak tidak secara automatik lebih baik. Variasi yang dikawal dengan lebih baik itulah yang lebih baik. https://t.co/NQvnEdHquc Untuk sim ke real, mana yang lebih penting: keragaman maksimum atau memilih invarian yang betul?
riRoyal.Base.ethKongsi
Sumber:Tunjukkan artikel asal
Penafian: Maklumat yang terdapat pada halaman ini mungkin telah diperoleh daripada pihak ketiga dan tidak semestinya menggambarkan pandangan atau pendapat KuCoin. Kandungan ini adalah disediakan bagi tujuan maklumat umum sahaja, tanpa sebarang perwakilan atau waranti dalam apa jua bentuk, dan juga tidak boleh ditafsirkan sebagai nasihat kewangan atau pelaburan. KuCoin tidak akan bertanggungjawab untuk sebarang kesilapan atau pengabaian, atau untuk sebarang akibat yang terhasil daripada penggunaan maklumat ini.
Pelaburan dalam aset digital boleh membawa risiko. Sila menilai risiko produk dan toleransi risiko anda dengan teliti berdasarkan keadaan kewangan anda sendiri. Untuk maklumat lanjut, sila rujuk kepada Terma Penggunaan dan Pendedahan Risiko kami.