Domain Randomization
Domänenrandomisierung trainiert Modelle mit Simulationen, in denen Texturen, Beleuchtung, Kameras und Physik variiert werden, damit sie sich auf die reale Welt übertragen lassen.
Domain-Randomisierung ist ein Verfahren, bei dem Modelle in Simulationen trainiert werden, damit sie in der realen Welt funktionieren. Ein Simulator bildet die Realität nie exakt ab. Deshalb variiert die Domain-Randomisierung seine Parameter – darunter Texturen, Farben, Beleuchtung, Kameraposition, Objektplatzierung, Störobjekte und physikalische Eigenschaften wie Masse und Reibung – während des Trainings so stark, dass die reale Welt für das Modell wie eine weitere Variation wirkt. Sie ist ein etabliertes Mittel, um die Lücke zwischen Simulation und Realität in der Robotik, bei Computer-Vision-Modellen, die mit synthetischen Daten trainiert werden, und bei mit bestärkendem Lernen erlernten Steuerungsstrategien zu schließen.
Josh Tobin und seine Kolleginnen und Kollegen bei OpenAI und UC Berkeley beschrieben das Verfahren in einer Arbeit aus dem Jahr 2017. Darin trainierten sie ein Objekterkennungs-Netzwerk, Objekte ausschließlich anhand simulierter Bilder mit unrealistischen, zufälligen Texturen zu lokalisieren. Obwohl beim Training keine realen Bilder verwendet wurden, lokalisierte der Detektor Objekte in der realen Welt mit einer Genauigkeit von etwa 1,5 cm – genau genug, damit ein Roboterarm sie auch in unübersichtlichen Umgebungen greifen konnte.
Was randomisiert wird#
Bei jeder Trainingsstichprobe oder Episode werden neue Werte aus den Bereichen gezogen, die Ingenieurinnen und Ingenieure für jeden Parameter festlegen:
- Erscheinungsbild: Texturen und Farben von Objekten und Hintergründen, Anzahl, Position und Art der Lichtquellen sowie Bildrauschen.
- Kamera: Position, Ausrichtung und Sichtfeld, damit das Modell nicht von einem einzigen Blickwinkel abhängt.
- Szeneninhalt: Anzahl, Form und Position von Störobjekten, die dem Modell beibringen, Unordnung und teilweise Verdeckungen zu ignorieren.
- Dynamik: Massen, Reibung, Gelenkdämpfung, Motorleistung und Steuerungsverzögerung, damit eine erlernte Steuerungsstrategie Abweichungen zwischen simulierten und realen physikalischen Bedingungen toleriert.
Bei jedem Stapel wird diese Stichprobenziehung während des Trainings wiederholt. Die Ergebnisse in der realen Welt zeigen, ob die Wertebereiche angepasst werden müssen:
Ein Modell, das ein Objekt unter Tausenden zufälliger Texturen und Lichtverhältnisse sieht, kann sich nicht auf eine einzelne Textur oder Lichtquelle verlassen. Es lernt daher Merkmale, die Veränderungen überstehen, etwa Form und Geometrie. Der Preis dafür ist eine schwierigere Lernaufgabe: Randomisierte Daten erfordern in der Regel mehr Training und größere Modelle. Zu weit gefasste Bereiche verschwenden Kapazität auf Bedingungen, die nie auftreten, während zu enge Bereiche zu Überanpassung an den Simulator führen. Randomisierung kann außerdem nichts bereitstellen, was der Simulator nicht modellieren kann, etwa verformbare Materialien oder nicht gerenderte Sensorartefakte.
Varianten und Ergebnisse#
Forschende bei NVIDIA wandten 2018 Domain-Randomisierung auf die Erkennung von Autos an. Sie stellten fest, dass ein Detektor, der mit randomisierten synthetischen Bildern trainiert und anschließend mit realen KITTI-Bildern feinabgestimmt wurde, einen nur mit realen Daten trainierten Detektor übertraf. Die Randomisierung der Dynamik übertrug die Idee von Bildern auf die Physik: Dabei wurden Steuerungsstrategien für Roboter mit zufällig variierten Massen und Reibungswerten trainiert. Bei der automatischen Domain-Randomisierung werden zunächst enge Wertebereiche verwendet, die sich mit zunehmendem Erfolg des Modells schrittweise erweitern. OpenAI nutzte dieses Verfahren 2019, um eine Roboterhand zu trainieren, die einen Zauberwürfel löste. Bei der strukturierten Domain-Randomisierung bleibt die Zufälligkeit in einem realistischen Kontext, indem Autos beispielsweise auf Straßen statt am Himmel platziert werden.
Domain-Randomisierung wird inzwischen häufig in der verkörperten KI eingesetzt: Sie trainiert Systeme für visuell gesteuertes Aufnehmen und Platzieren, die Drohnennavigation und die Wahrnehmungssysteme autonomer Fahrzeuge.
Beim Training von Ultralytics YOLO mit einem randomisierten synthetischen Datensatz kommt zusätzlich eine Randomisierung im Bildraum zum Einsatz: Standardmäßig erhält jedes Trainingsbeispiel bei jedem Laden eines Bildes einen zufälligen Sättigungsfaktor zwischen 0,3 und 1,7 sowie einen zufälligen Helligkeitsfaktor zwischen 0,6 und 1,4. Die Werte werden anhand der Augmentierungseinstellungen hsv_s und hsv_v festgelegt.
Domain-Randomisierung und verwandte Begriffe#
- Datenaugmentierung: Bilder werden nach der Aufnahme oder dem Rendern durch Spiegelungen, Zuschnitte und Farbverschiebungen verändert. Bei der Domain-Randomisierung wird die Szene vor dem Rendern geändert. Dadurch lassen sich 3D-Beleuchtung, Materialien und Blickwinkel variieren, die mit 2D-Transformationen nicht erreichbar sind.
- Unüberwachtes Domänenadaptieren (UDA): Nicht beschriftete Bilder aus der Zieldomäne werden verwendet, um die Merkmale eines Modells an diese Domäne anzupassen. Für Domain-Randomisierung werden während des Trainings keine Zieldaten benötigt.
- Erzeugung synthetischer Daten: Der umfassendere Prozess, künstliche Trainingsdaten zu erstellen. Domain-Randomisierung ist dabei eine Strategie, mit der festgelegt wird, wie die einzelnen erzeugten Beispiele aussehen.










