GeneSIS-RT：为训练次级现实世界任务生成合成图像
机器人学
2017-10-13 v1
摘要
我们提出了一种为特定领域学习任务生成高质量合成数据的新方法，这类任务的训练数据可能不易获取。我们利用图像到图像翻译的最新进展来弥合模拟图像与真实图像之间的差距，使我们能够仅使用未标记的真实世界图像和模拟来为现实世界任务生成逼真的训练数据。GeneSIS-RT 减轻了收集标记真实世界图像的负担，是生成高质量、特定领域合成数据的有前景的候选方案。为了展示使用 GeneSIS-RT 创建训练数据的有效性，我们研究了两个任务：语义分割和反应式避障。我们证明，使用 GeneSIS-RT 生成的数据训练的学习算法能做出高精度预测，其性能优于仅在原始模拟数据上训练的系统，并且与在真实数据上训练的系统性能相当或更优。最后，我们使用我们的数据训练一架四旋翼飞行器在杂乱环境中以高达 3.4 米/秒的速度飞行 60 米，证明我们的 GeneSIS-RT 图像可用于学习执行关键任务。
引用
@article{arxiv.1710.04280,
title = {GeneSIS-RT: Generating Synthetic Images for training Secondary Real-world Tasks},
author = {Gregory J. Stein and Nicholas Roy},
journal= {arXiv preprint arXiv:1710.04280},
year = {2017}
}
备注
8 pages, 7 figures; submitted to ICRA 2018