Sim-to-Real Transfer
Der Transfer von in Simulation trainierten KI-Modellen auf reale physische Systeme – trainiere in der virtuellen Welt, deploye in der echten.
Sim-to-Real trainiert KI in virtuellen Welten und überträgt sie auf echte Roboter – 1000x günstiger und sicherer als reales Training.
Erklärung
Sim-to-Real nutzt physikalische Simulationen (NVIDIA Isaac, MuJoCo, PyBullet) für RL-Training und überbrückt den "Reality Gap" durch Domain Randomization, Domain Adaptation oder Progressive Training.
Relevanz für Marketing
Ermöglicht schnelles, sicheres und kostengünstiges Training autonomer Systeme – physische Iterationen sind 1000x teurer als simulierte.
Häufige Fallstricke
Reality Gap (Simulation ≠ Realität), unrealistische Physik führt zu Fehlverhalten, Überanpassung an Simulationsartefakte.
Entstehung & Geschichte
OpenAI demonstrierte 2018 Sim-to-Real für einen Rubik's-Cube-lösenden Roboterarm. NVIDIA Isaac Sim (2020) und Google DeepMind nutzen massiv Simulation für Robotik. Domain Randomization (Tobin et al., 2017) war der Durchbruch.
Abgrenzung & Vergleiche
Sim-to-Real Transfer vs. Transfer Learning
Transfer Learning überträgt zwischen Datensätzen/Aufgaben; Sim-to-Real überträgt zwischen virtueller und physischer Domäne.