翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# Simulated-to-Real パフォーマンスギャップ
<a name="deepracer-how-it-works-virtual-to-physical"></a>

シミュレーションでは実世界のすべての側面を正確に把握することはできないため、シミュレーションでトレーニングされたモデルが実世界ではうまく機能しない場合があります。このような不一致は、多くの場合 simulated-to-real (*sim2real*) パフォーマンスギャップと呼ばれます。

AWS DeepRacer では *sim2real* パフォーマンスギャップ を最小化する取り組みが実施されてきました。たとえば、シミュレーションされたエージェントは、毎秒約 10 のアクションを実行するようにプログラムされています。これは、AWS DeepRacer 車両が推論する頻度と一致し、毎秒約 10 推論です。別の例として、トレーニング中の各エピソードの始めに、エージェントの位置はランダム化されます。これにより、エージェントがトラックのすべての部分を均等に学習する可能性が最大になります。

 *real2sim* パフォーマンスギャップを減らすため、必ずシミュレーションされたトラックと実際のトラックの両方に、同じまたは類似の色、形状、ディメンションを使用してください。視覚的に邪魔になるものを減らすには、実際のトラックの周囲にバリケードを使用します。また、トレーニングで使用されるアクションスペースが現実の世界と一致するように、デバイスの速度とステアリング角度の範囲を慎重にキャリブレートしてください。トレーニングで使用されているものとは異なるシミュレーショントラックでモデルのパフォーマンスを評価すると、*real2real* パフォーマンスのギャップの程度を示すことができます。

AWS DeepRacer モデルをトレーニングする場合の *sim2real* ギャップの削減方法についての詳細は、[実環境に合わせた AWS DeepRacer モデルのトレーニングを最適化する](deepracer-console-train-evaluate-models.md#deepracer-evaluate-model-test-approaches) を参照してください。