Domain Randomization
A randomização de domínio treina modelos em simulações com texturas, iluminação, câmeras e física aleatorizadas para que eles se transfiram para o mundo real.
A randomização de domínio é uma técnica para treinar modelos em simulação de modo a funcionarem no mundo real. Um simulador nunca corresponde exatamente à realidade, por isso a randomização de domínio varia os respetivos parâmetros — incluindo texturas, cores, iluminação, posição da câmara, colocação de objetos, objetos distratores e propriedades físicas como massa e atrito — de forma tão ampla durante o treino que o mundo real parece ao modelo apenas mais uma variação. É uma ferramenta padrão para reduzir a diferença entre simulação e realidade em robótica, em modelos de visão por computador treinados com dados sintéticos e em políticas de controlo aprendidas com aprendizagem por reforço.
Josh Tobin e colegas da OpenAI e da UC Berkeley descreveram a técnica num artigo de 2017 que treinou uma rede de deteção de objetos para localizar objetos usando apenas imagens simuladas com texturas aleatórias pouco realistas. Sem imagens reais no treino, o detetor localizou objetos no mundo real com uma margem de erro de cerca de 1,5 cm, precisão suficiente para um braço robótico os agarrar mesmo num ambiente desordenado.
O que é randomizado#
Cada amostra de treino ou episódio recolhe novos valores dentro dos intervalos definidos pelos engenheiros para cada parâmetro:
- Aparência: Texturas e cores dos objetos e do fundo, número, posição e tipo de luzes e ruído da imagem.
- Câmara: Posição, orientação e campo de visão, para que o modelo nunca dependa de um único ponto de vista.
- Conteúdo da cena: Número, forma e posição dos objetos distratores, que ensinam o modelo a ignorar a desordem visual e a oclusão parcial.
- Dinâmica: Massas, atrito, amortecimento das juntas, potência do motor e latência do controlo, para que uma política de controlo aprendida tolere a diferença entre a física simulada e a real.
O treino repete esta amostragem em cada lote, e os resultados no mundo real determinam se os intervalos precisam de ser alterados:
Um modelo que vê um objeto com milhares de texturas e iluminações aleatórias não pode depender de uma única textura ou iluminação, por isso aprende características que resistem às mudanças, como a forma e a geometria. O custo é um problema de aprendizagem mais difícil: os dados randomizados normalmente exigem mais treino e modelos maiores; intervalos demasiado amplos desperdiçam capacidade em condições que nunca ocorrem, enquanto intervalos demasiado estreitos levam ao sobreajuste ao simulador. A randomização também não consegue fornecer aquilo que o simulador não consegue modelar, como materiais deformáveis ou artefactos dos sensores que não são renderizados.
Variantes e resultados#
Em 2018, investigadores da NVIDIA aplicaram a randomização de domínio à deteção de automóveis e descobriram que um detetor treinado com imagens sintéticas randomizadas e depois ajustado com imagens reais do KITTI superava um detetor treinado apenas com dados reais. A randomização da dinâmica levou esta ideia das imagens à física, treinando políticas de controlo robótico com massas e atrito randomizados. A randomização automática de domínio começa com intervalos estreitos e alarga cada um à medida que o modelo tem sucesso; em 2019, a OpenAI usou-a para treinar uma mão robótica que resolveu um cubo de Rubik. A randomização estruturada de domínio mantém a aleatoriedade dentro de um contexto realista, por exemplo, colocando carros em estradas em vez de no céu.
A randomização de domínio é agora amplamente utilizada na IA incorporada: treina sistemas de recolha e colocação orientadas por visão, navegação de drones e as pilhas de perceção de veículos autónomos.
Treinar Ultralytics YOLO com um conjunto de dados sintético randomizado acrescenta também randomização no espaço da imagem: por predefinição, cada amostra de treino recebe um fator de saturação aleatório entre 0.3 e 1.7 e um fator de brilho aleatório entre 0.6 e 1.4, provenientes das hsv_s e hsv_v definições de aumento de dados, gerados de novo sempre que uma imagem é carregada.
Randomização de domínio vs. termos relacionados#
- Aumento de dados: Transforma imagens depois de serem captadas ou renderizadas, usando inversões, recortes e alterações de cor. A randomização de domínio altera a cena antes da renderização, pelo que pode variar a iluminação, os materiais e o ponto de vista 3D, algo que as transformações 2D não conseguem fazer.
- Adaptação não supervisionada de domínio (UDA): Usa imagens sem rótulos do domínio de destino para alinhar as características de um modelo com esse domínio. A randomização de domínio não precisa de dados do domínio de destino durante o treino.
- Geração de dados sintéticos: O processo mais abrangente de criação de dados de treino artificiais, no qual a randomização de domínio é uma estratégia para decidir o aspeto de cada amostra gerada.










