Sim-to-Real: Simülasyondan Gerçeğe — Robotik Öğrenmenin Köprüsü

"Gerçek robot pahalı"

Robotta RL eğitimi:

• Saatler sürüyor.
• Robot bozulabilir.
• Çok deneme gerektiriyor.
• Manipulator robot 100K-500K dolar.
• Onarım pahalı.

Simülasyon:

• Saniyeler.
• Sınırsız deneme.
• Çoklu paralel.
• Ucuz.

Mantıklı: önce simülasyonda eğit, sonra gerçeğe aktar.

Ama: simülasyon ≠ gerçek.

Reality gap

Simülasyon gerçeği mükemmel modellemiyor:

• Sürtünme.
• Esneme.
• Sensör gürültüsü.
• Ağırlık dağılımı.
• Kamera görüntü kalitesi.
• Gecikmeler.

Sim'de mükemmel çalışan model, gerçekte başarısız.

Bu sim-to-real gap.

Çözüm 1: Domain Randomization

OpenAI 2017: rastgele parametre ile eğit.

• Kamera açısı.
• Aydınlatma.
• Sürtünme.
• Ağırlık.
• Renk.

Model çoklu çeşitlilik öğrenir → gerçek dünya bir vakası.

OpenAI Dactyl (2018): Rubik küpü çözen el — domain randomization ile eğitildi.

Çözüm 2: System identification

Gerçek robotu ölç, simülasyona parametreleri doğru ver.

• Sürtünme katsayısı.
• Eylemsizlik momenti.
• Servo gecikme.

Sim gerçeğe daha yakın olur.

Çözüm 3: Hybrid training

• Simülasyonda temel eğit.
• Gerçekte fine-tune et.

Az veri ile gerçek dünya adaptasyonu.

Çözüm 4: Real-to-sim

Tersine: gerçek hareketleri simülasyon parametrelerini kalibre et.

Çözüm 5: Photorealistic sim

NVIDIA Isaac: ray-tracing seviyesi gerçekçilik.

Görsel bias'ı azalıyor.

Simülatörler

MuJoCo

• DeepMind sahip (eski Roboti).
• Hızlı, esnek.
• Robotik standartı.

NVIDIA Isaac Sim

• GPU paralel.
• Photorealistic.
• ROS uyumlu.

Gazebo

• ROS ekosistemi.
• Açık kaynak.

PyBullet

• Hafif.
• Eğitim için iyi.

Habitat (Meta)

• Ev simülasyonu.
• Embodied AI.

Brax (Google)

• JAX tabanlı.
• Çoklu paralel.

Domain Adaptation

ML'den fikir: kaynaktan hedefe adapte ol.

• Adversarial: domain ayrılmasını öğren, sonra adversarial olarak iz.
• Feature alignment.

Sim eğitilen model, gerçek dünyada görsel feature'lardan bağımsız öğrenir.

Modern başarılar

• OpenAI Dactyl: el manipülasyonu.
• ANYmal (ETH): yürüyüş.
• Atlas parkour (Boston Dynamics): kısmen sim.
• NVIDIA GR00T: humanoid foundation model — Isaac'ta eğitildi.

Photorealistic + LLM

Yeni trend: NeRF, Gaussian Splatting ile gerçek dünyadan simülasyon yarat.

İnsan video → 3D ortam → robot eğitim.

Vehicles için

Otonom araç eğitimi de sim-to-real:

• Waymo Simulator.
• NVIDIA DRIVE.
• Carla.

Gerçek dünyada her senaryoyu test etmek imkansız → simülasyon şart.

Türkiye için

• TÜBİTAK BİLGEM robotik sim-to-real.
• ASELSAN otonom platformlar.
• Boğaziçi, METU robotik dersleri MuJoCo.

Pratik öneriler

Başlangıç

• MuJoCo veya PyBullet ile basit ortam.
• Domain randomization erken ekle.

Görsel görev

• NVIDIA Isaac Sim photorealistic.

Lokomosyon

• Brax çoklu paralel.

Manipulation

• MuJoCo + dexterous hand.

Sınırlamalar

• Mükemmel simülasyon yok.
• Yumuşak nesneler: sim'de hâlâ zor.
• Sıvılar, gazlar: sim çok pahalı.
• Sosyal etkileşim: insan modellemek zor.

Felsefe

Sim-to-real temel mesajı: "Önce ucuza dene, sonra pahalıya yap".

Yapay zeka eğitiminin ekonomik akışı.

Kapanış

Sim-to-real, modern robotik AI'in zorunlu altyapısı. Olmadan yeterli veri toplanamaz.

Bir robotik AI mühendisinin olgunluk işareti: hangi simülasyonu, hangi rastgelelik ile kullanacağını bilmek.

Embodied AI dalgasının gizli motoru sim-to-real.