تیمی به سرپرستی Huang Huang سامانه‌ای به نام RoboRender معرفی کرده است که مسیرهای حرکت ربات در محیط شبیه‌سازی را به ویدئوهای RGB واقع‌گرایانه تبدیل می‌کند. این مدل با استفاده از ویدئوهای عمق، فرمان‌های زبانی و ماسک‌های ربات، بافت‌ها و پس‌زمینه‌های دنیای واقعی را اضافه می‌کند و در عین حال حرکت و کنش‌های اصلی را حفظ می‌کند. سیاست‌هایی که با این ویدئوها آموزش دیدند، در کارهای برداشتن و جابه‌جایی اشیا، کار با اشیای مفصل‌دار و دست‌کاری اشیا با ربات متحرک آزمایش شدند و در 71 درصد موارد موفق بودند. این میزان موفقیت حدود 7.1 برابر آموزش با خروجی خام شبیه‌سازی و 3.6 برابر روش استاندارد تصادفی‌سازی دامنه بصری است.
چرا مهم است
توسعه‌دهندگان ربات می‌توانند کنترل‌کننده‌ها را در شبیه‌سازی آموزش دهند و مستقیماً به کار بگیرند؛ در نتیجه، هزینه گردآوری داده در دنیای واقعی کاهش می‌یابد.
