（文章來源：智車科技IV）

滑鐵盧大學CogDrive實驗室探索了基于Domain Randomization 的模擬器到真實世界知識遷移算法。該算法可以使用效果較弱的domain adaptation方法來進行定向數據增強，讓諸如自動駕駛汽車的智能體獲得真實世界可用的策略。

隨著數據科學的發展，很多之前過于復雜，難以解決的問題都可以通過數據擬合的方式來解決。基于學習的算法一般都基于獨立同分布的假設，即用于訓練的數據與真實環境遇到的數據符合統一分布，且相互獨立。要符合這一假設，在訓練時需要采集大量數據以覆蓋真實使用時可能遇到的場景。對于自動駕駛，對數據量的需求格外巨大，而數據采集的過程是昂貴，費時費力，甚至危險的，數據標注的過程更是需要大量人力。

而模擬器作為一個廉價但有準確標注的數據源，如果可以解決模擬器與真實世界數據上的差異，帶來的訓練得到的策略上差異，將可以在自動駕駛領域發揮巨大價值。從統計學上講，模擬器上的策略可用于真實世界的原因在于，模擬器于真實世界的數據具有相似的條件概率，僅是邊緣概率有較大差異。通俗的理解就是，人在模擬器中的駕駛策略與在真實世界的駕駛策略是相似的，僅是模擬器里的車與真實世界的車，道路長得不太一樣。

為探索模擬器數據對于真實世界自動駕駛的可用性，滑鐵盧大學CogDrive實驗室探索了基于Domain Randomization 的模擬器到真實世界知識遷移算法。主流的用于知識遷移的鄰域自適應算法一般是基于度量的，算法的關鍵在于量化兩個不同數據分布之間的差異，最終尋求一個將兩個數據分布映射到同一特征空間的映射函數。而Domain Randomization類算法一般側重于尋找兩個不同數據分布的共同特征空間（common latent space），再基于這個共同特征空間進行進一步的訓練。

對于自動駕駛模擬器與真實的駕駛環境，一個先驗知識是模擬器與真實世界在圖像紋理，光照條件上有較大不同，而在幾何信息上大致相同，基于這個先驗知識，可以嘗試構建一個從模擬器遷移到真實世界的語義分割算法。

一般的 Domain Randomization 方法首先對模擬器圖像進行一些自定義的圖像增強，然后使用增強后的圖像進行訓練。該團隊的Domain Randomization則是基于圖像風格遷移來進行隨機化，從而進行知識的遷移。圖像風格遷移（Neural Style Transfer）可以視作一種一類圖像到另一類圖像的Domain adaptaiton。使用圖像風格遷移來進行Domain Randomization，實則是在使用一些效果較弱的Domain Adaptation方法來定向增強訓練數據，從而使得目標域數據分布屬于訓練數據分布。

相比手工定義的圖像增強，基于風格遷移的方法可以起到更好的效果。隨后一個基于 Conditional GAN的隨機化后的圖像到原圖像的映射網絡被進一步用于將隨機化后的圖像映射為其對應模擬器原圖。由于隨機化后的圖像與目標域圖像有一個共同的特征空間，這個映射函數同樣可以用于將真實世界的圖像映射到對應的模擬器“風格”的圖像，從而可以將一個完全由模擬器數據訓練的語義分割模型應用到其中。

整個流程如圖所示。在真實數據使用過程中，僅有一個generator需要添加在語義分割模型之前，用于將真實世界的圖像轉化為符合模擬器數據分布的圖像。

更進一步，最后加在具體的任務網絡前的這個Generator， 它的作用在于將邊緣分布與訓練數據有一些差異的數據映射到與訓練數據相同的邊緣分布。這樣一個模塊不只可以用于完成模擬器到真實世界的知識遷移，也可以用于增強模型的魯棒性。

在模擬器中使用該方法，可以定向增強訓練數據，讓無人駕駛汽車獲取真實世界可用的策略。
? ? ? （責任編輯：fqj）