課題
物理世界のタスクに対する ML モデルの学習には、大量のラベル付きデータが必要です。実世界からのデータ収集は遅く、コストが高く、シナリオの多様性にも限りがあります。
取り組み
ピクセル単位で正確な正解ラベル付きの多様な学習シナリオを、手続き的に生成する設定可能な環境を構築しました。ドメインランダム化を組み合わせることで、シミュレーションから現実への汎化を改善しています。
結果
- 手作業のアノテーションなしで、数百万ラベルのサンプルを生成
- ドメインランダム化が実世界での汎化を向上
- 複数プロジェクトで再利用可能な環境フレームワーク