Domain Randomization
يدرّب تعميم المجال النماذج على محاكاة ذات أنسجة وإضاءة وكاميرات وفيزياء عشوائية، كي تنتقل إلى العالم الحقيقي.
التنويع النطاقي تقنية لتدريب النماذج في المحاكاة كي تعمل في العالم الحقيقي. لا تتطابق المحاكاة مطلقًا مع الواقع تمامًا، لذا يغيّر التنويع النطاقي معلماتها، بما فيها الأنسجة والألوان والإضاءة ووضعية الكاميرا ومواضع الكائنات والكائنات المشتتة والخصائص الفيزيائية مثل الكتلة والاحتكاك، على نطاق واسع أثناء التدريب، حتى يبدو العالم الحقيقي للنموذج مجرد تنويع إضافي. وهو أداة معيارية لسد الفجوة بين المحاكاة والواقع في الروبوتات ونماذج الرؤية الحاسوبية المدرّبة على البيانات الاصطناعية وسياسات التحكم المتعلّمة باستخدام التعلّم المعزز.
وصف Josh Tobin وزملاؤه في OpenAI وUC Berkeley هذه التقنية في ورقة بحثية عام 2017، درّبت شبكة اكتشاف الكائنات على تحديد مواقع الكائنات باستخدام صور محاكاة ذات أنسجة عشوائية غير واقعية فقط. وبالرغم من عدم استخدام أي صور حقيقية في التدريب، حدد الكاشف مواقع الكائنات في العالم الحقيقي بدقة تبلغ نحو 1.5 سم، وهي دقة كافية لالتقاطها باستخدام ذراع روبوتية وسط أجسام متزاحمة.
ما الذي يخضع للتنويع#
تُسحب قيم جديدة لكل عينة تدريب أو حلقة من نطاقات يحددها المهندسون لكل معلمة:
- المظهر: أنسجة الكائنات والخلفيات وألوانها، وعدد الأضواء ومواقعها وأنواعها، وضجيج الصورة.
- الكاميرا: الموضع والاتجاه ومجال الرؤية، كي لا يعتمد النموذج مطلقًا على منظور واحد.
- محتوى المشهد: عدد الكائنات المشتتة وأشكالها ومواضعها، ما يعلّم النموذج تجاهل الفوضى والحجب الجزئي.
- الديناميكيات: الكتل والاحتكاك وتخميد المفاصل وقوة المحرك وزمن استجابة التحكم، كي تتحمل سياسة التحكم المتعلّمة عدم التطابق بين الفيزياء المحاكاة والحقيقية.
يتكرر أخذ العينات هذا مع كل دفعة تدريب، وتحدد النتائج في العالم الحقيقي ما إذا كانت النطاقات بحاجة إلى التغيير:
لا يستطيع النموذج الذي يرى كائنًا تحت آلاف الأنسجة والإضاءات العشوائية الاعتماد على نسيج أو إضاءة بعينهما، لذا يتعلم سمات تظل ثابتة رغم التغيّر، مثل الشكل والهندسة. لكن ذلك يجعل مسألة التعلم أصعب: فالبيانات المنوّعة تحتاج عادةً إلى تدريب أطول ونماذج أكبر، والنطاقات الواسعة أكثر من اللازم تهدر السعة على ظروف لا تحدث مطلقًا، بينما تؤدي النطاقات الضيقة أكثر من اللازم إلى فرط التكيّف مع المحاكي. كما لا يمكن للتنويع أن يوفر ما لا يستطيع المحاكي نمذجته، مثل المواد القابلة للتشوه أو عيوب المستشعرات التي لا يعرضها.
الأنواع والنتائج#
طبّق باحثون في NVIDIA التنويع النطاقي على اكتشاف السيارات عام 2018، ووجدوا أن كاشفًا دُرّب على صور اصطناعية منوّعة ثم خضع لـضبط دقيق على صور KITTI حقيقية تفوق على كاشف دُرّب على بيانات حقيقية فقط. ونقل تنويع الديناميكيات الفكرة من الصور إلى الفيزياء، عبر تدريب سياسات التحكم للروبوتات باستخدام كتل واحتكاك منوّعين. يبدأ التنويع النطاقي التلقائي بنطاقات ضيقة ثم يوسّع كل نطاق كلما نجح النموذج، واستخدمته OpenAI عام 2019 لتدريب يد روبوتية حلّت مكعب روبيك. ويحافظ التنويع النطاقي المنظّم على العشوائية ضمن سياق واقعي، مثل وضع السيارات على الطرق بدلًا من السماء.
يُستخدم التنويع النطاقي الآن على نطاق واسع في الذكاء الاصطناعي المتجسد: فهو يدرب أنظمة الالتقاط والوضع الموجّهة بالرؤية وملاحة الطائرات المسيّرة ومجموعات الإدراك في المركبات ذاتية القيادة.
تضيف عملية تدريب Ultralytics YOLO على مجموعة بيانات اصطناعية منوّعة تنويعًا على مستوى الصورة أيضًا: إذ تحصل كل عينة تدريب افتراضيًا على عامل تشبع عشوائي بين 0.3 و1.7، وعامل سطوع عشوائي بين 0.6 و1.4، من إعدادات زيادة البيانات hsv_s وhsv_v، ويُعاد سحب القيم في كل مرة تُحمّل فيها الصورة.
التنويع النطاقي والمصطلحات ذات الصلة#
- زيادة البيانات: تحويل الصور بعد التقاطها أو عرضها باستخدام القلب والقص وتغيير الألوان. أما التنويع النطاقي فيغيّر المشهد قبل العرض، لذا يمكنه تنويع الإضاءة والمواد والمنظور ثلاثية الأبعاد، وهي أمور لا تصل إليها التحويلات ثنائية الأبعاد.
- تكييف النطاق غير الخاضع للإشراف (UDA): يستخدم صورًا غير موسومة من النطاق المستهدف لمواءمة سمات النموذج مع ذلك النطاق. ولا يحتاج التنويع النطاقي إلى بيانات مستهدفة أثناء التدريب.
- توليد البيانات الاصطناعية: العملية الأوسع لإنشاء بيانات تدريب اصطناعية، ويُعد التنويع النطاقي إحدى استراتيجيات تحديد مظهر كل عينة مولّدة.










