Domain Randomization
Alan rastgeleleştirme; modelleri, gerçek dünyaya aktarılabilmeleri için dokuları, aydınlatmayı, kameraları ve fiziği rastgeleleştirilmiş simülasyonlarda eğitir.
Alan rastgeleleştirme, modelleri simülasyonda eğiterek gerçek dünyada çalışabilmelerini sağlayan bir tekniktir. Simülatör gerçeklikle hiçbir zaman tam olarak örtüşmediğinden, alan rastgeleleştirme; dokular, renkler, aydınlatma, kamera konumu, nesne yerleşimi, dikkat dağıtıcı nesneler ve kütle ile sürtünme gibi fiziksel özellikler dahil olmak üzere simülatörün parametrelerini eğitim sırasında öyle geniş bir aralıkta değiştirir ki gerçek dünya, modele başka bir varyasyon gibi görünür. Bu teknik, robotik, sentetik veriler üzerinde eğitilen bilgisayarlı görü modelleri ve pekiştirmeli öğrenme ile öğrenilen kontrol politikaları için simülasyondan gerçeğe geçiş farkını azaltmada standart bir araçtır.
OpenAI ve UC Berkeley'den Josh Tobin ve çalışma arkadaşları, tekniği 2017 tarihli bir makalede tanımladı. Makalede, nesne algılama ağı yalnızca gerçekçi olmayan rastgele dokulara sahip simüle edilmiş görüntüler kullanarak nesnelerin yerini belirleyecek şekilde eğitildi. Eğitimde hiç gerçek görüntü kullanılmamasına rağmen algılayıcı, gerçek dünyadaki nesnelerin yerini yaklaşık 1,5 cm hata payıyla belirledi; bu hassasiyet, bir robot kolunun kalabalık bir ortamda nesneleri kavraması için yeterliydi.
Neler Rastgeleleştirilir#
Her eğitim örneği veya bölümünde, mühendislerin her parametre için belirlediği aralıklardan yeni değerler seçilir:
- Görünüm: Nesnelerin ve arka planların dokuları ile renkleri, ışıkların sayısı, konumu ve türü, ayrıca görüntü gürültüsü.
- Kamera: Modelin tek bir bakış açısına bağımlı kalmaması için konum, yönelim ve görüş alanı.
- Sahne içeriği: Modelin karmaşayı ve kısmi örtüşmeyi görmezden gelmeyi öğrenmesi için dikkat dağıtıcı nesnelerin sayısı, şekli ve konumu.
- Dinamikler: Öğrenilen kontrol politikasının simüle edilmiş ve gerçek fizik arasındaki uyumsuzluğa dayanabilmesi için kütleler, sürtünme, eklem sönümlemesi, motor gücü ve kontrol gecikmesi.
Eğitim sırasında bu örnekleme her toplu iş için tekrarlanır; aralıkların değiştirilip değiştirilmeyeceğine gerçek dünya sonuçları karar verir:
Binlerce rastgele doku ve ışık altında bir nesneyi gören model, tek bir dokuya veya ışığa güvenemez; bu nedenle şekil ve geometri gibi değişime dayanıklı özellikleri öğrenir. Bunun bedeli, öğrenme probleminin zorlaşmasıdır: rastgeleleştirilmiş veriler genellikle daha uzun eğitim ve daha büyük modeller gerektirir; gereğinden geniş aralıklar hiçbir zaman karşılaşılmayacak koşullara kapasite harcar, gereğinden dar aralıklar ise simülatöre aşırı öğrenmeye yol açar. Rastgeleleştirme, simülatörün modelleyemediği; örneğin deforme olabilen malzemeler veya oluşturmadığı sensör kusurları gibi özellikleri de sağlayamaz.
Çeşitleri ve Sonuçlar#
NVIDIA'daki araştırmacılar, 2018'de alan rastgeleleştirmeyi araç algılamaya uyguladı ve rastgeleleştirilmiş sentetik görüntüler üzerinde eğitilip ardından gerçek KITTI görüntüleriyle ince ayar yapılan bir algılayıcının yalnızca gerçek verilerle eğitilenden daha iyi sonuç verdiğini buldu. Dinamiklerin rastgeleleştirilmesi, bu fikri görüntülerden fiziğe taşıyarak robot kontrol politikalarını rastgele kütle ve sürtünme değerleriyle eğitti. Otomatik alan rastgeleleştirme dar aralıklarla başlar ve model başarılı oldukça bu aralıkları genişletir. OpenAI, 2019'da Rubik Küpü çözen bir robot eli eğitmek için bu yöntemi kullandı. Yapılandırılmış alan rastgeleleştirme ise rastgeleliği gerçekçi bağlamların içinde tutar; örneğin arabaları gökyüzüne değil yollara yerleştirir.
Alan rastgeleleştirme artık bedenlenmiş yapay zekâ alanında yaygın olarak kullanılıyor: görüş güdümlü al-bırak sistemlerini, drone navigasyonunu ve otonom araçların algı yığınlarını eğitiyor.
Ultralytics YOLO'yu rastgeleleştirilmiş sentetik bir veri kümesi üzerinde eğitmek, buna görüntü uzayında rastgeleleştirme de ekler: varsayılan olarak her eğitim örneğine, hsv_s ve hsv_v üzerinden tanımlanan artırma ayarlarından alınan 0,3 ile 1,7 arasında rastgele bir doygunluk çarpanı ve 0,6 ile 1,4 arasında rastgele bir parlaklık çarpanı uygulanır; bu değerler her görüntü yüklendiğinde yeniden belirlenir.
Alan Rastgeleleştirme ve İlgili Terimler#
- Veri artırma: Görüntüler yakalandıktan veya oluşturulduktan sonra görüntülere çevirme, kırpma ve renk kaydırma gibi dönüşümler uygular. Alan rastgeleleştirme, sahneyi oluşturma öncesinde değiştirerek 2B dönüşümlerin ulaşamadığı 3B aydınlatmayı, malzemeleri ve bakış açısını çeşitlendirebilir.
- Denetimsiz alan uyarlama (UDA): Bir modelin özelliklerini hedef alanla hizalamak için bu alandan etiketlenmemiş görüntüler kullanır. Alan rastgeleleştirme eğitim sırasında hedef veriye ihtiyaç duymaz.
- Sentetik veri üretimi: Yapay eğitim verileri oluşturmanın genel sürecidir; alan rastgeleleştirme, oluşturulan her örneğin nasıl görüneceğini belirleme stratejilerinden biridir.










