MLDM Monday與 Kaohsiung Python社群 Co-organizer, 目前在學術單位擔任研究人員，熱衷於研究機器學習相關技術，喜歡分享相關技術，並應用在實務工作上。
深度學習技術快速進步, 我們能訓練神經網路來控制實體機器人, 但訓練過程會發生各種突發狀況, 在物理安全與經濟狀況考慮下, 先在模擬環境完成訓練再轉移到真實機器人是一種解決方法。 但是模擬環境與真實環境有許多物理落差, 速度或摩擦力等各種物理因素, 都會導致訓練好的模型轉移到真實環境的效能低落。 去年 Google Brain 透過對物理引擎的模擬過程進行參數化與隨機擾動來解決問題, 我們也透過同樣方法完成二輪平衡車控制模型的虛實轉換, 這場分享將會介紹我們如何從無到有, 在物理引擎建立 車體3D模型, 並用 Python 參數化各種物理量, 最後展示完成的機器人可以做為訓練環境, 用來訓練神經網路控制模型。