本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# Simulated-to-real效能差距
<a name="deepracer-how-it-works-virtual-to-physical"></a>

由於模擬無法準確擷取現實世界的所有角度，因此在模擬中訓練的模型可能會無法在現實世界中良好運作。這種不一致的情況常稱為模擬與現實 (*sim2real*) 的效能差距。

AWS DeepRacer 已努力將 *sim2real* 效能差距降至最低。例如，模擬代理程式的程式已設計成每秒會採取約 10 個動作。這符合 AWS DeepRacer 裝置執行推論的頻率，大約每秒 10 個推論。另一個範例是，在訓練中每一回合的一開始，代理程式的位置都是隨機的。這可以最大化代理程式平均學習軌道所有部分的可能性。

 為了協助降低 *real2sim* 效能差距，請務必針對模擬及真實的軌道使用相同或相似的色彩、形狀及維度。若要減少視覺干擾，請在真實的軌道周圍使用障礙物。此外，請仔細校正裝置速度和轉向角度的範圍，讓訓練中使用的動作空間符合真實世界。在與訓練中所使用模擬軌道不同的軌道中評估模型效能，可顯示 *real2real* 效能差距的範圍。

如需如何在訓練 AWS DeepRacer 模型時減少 *sim2real* 差距的詳細資訊，請參閱 [針對真實環境最佳化訓練 AWS DeepRacer 模型](deepracer-console-train-evaluate-models.md#deepracer-evaluate-model-test-approaches)。