现实世界中的垃圾邮件检测

OpenAI Blog 论文
domain-randomization sim-to-real deep-learning robotic-perception spam-detection computer-vision

摘要

OpenAI 演示了域随机化——在模拟训练数据中随机改变颜色、纹理、光照和相机设置——使深度学习模型能够有效地从模拟环境迁移到实际机器人垃圾邮件检测任务，无需从头开始重新训练。

我们创造了世界上第一个完全在模拟环境中训练并部署在物理机器人上的垃圾邮件检测 AI。
查看原文
查看缓存全文

缓存时间: 2026/04/20 14:45

# 物理世界中的垃圾检测 来源：https://openai.com/index/spam-detection-in-the-physical-world/ 深度学习驱动的机器人系统受到数据收集的瓶颈制约：获取训练感知系统所需的数十万张图像成本极高。生成模拟数据很便宜，但模拟与现实的差异足够大，人们通常在转向物理世界时需要从头开始重新训练模型。 我们已经展示（https://arxiv.org/abs/1703.06907）域随机化（一种使在模拟图像上训练的检测器能够转移到真实图像的现有方法）对杂乱场景表现良好。该方法很简单：我们在模拟场景中随机改变颜色、纹理、光照条件和摄像机设置。生成的数据集具有足够的可变性，使得在其上训练的深度神经网络能够泛化到现实世界。

相似文章

域随机化与生成模型在机器人抓取中的应用

OpenAI Blog

# 域随机化与生成模型在机器人抓取中的应用 来源：[https://openai.com/index/domain-randomization-and-generative-models-for-robotic-grasping/](https://openai.com/index/domain-randomization-and-generative-models-for-robotic-grasping/) ## 摘要 基于深度学习的机器人抓取在算法改进和数据可用性增加的推动下取得了重大进展。然而，最先进的模型往往仅在数百或数千个未

通过动力学随机化实现机器人控制的仿真到现实迁移

OpenAI Blog

OpenAI 研究人员演示了一种通过使用随机化的模拟器动力学来训练策略，从而弥合现实差距的方法。这使得完全在仿真环境中训练的机器人能够成功迁移到现实世界任务，如物体操作，无需进行物理训练。

学习的机器人

OpenAI Blog

# 学习的机器人 来源：[https://openai.com/index/robots-that-learn/](https://openai.com/index/robots-that-learn/) 该系统由两个神经网络驱动：视觉网络和模仿网络。视觉网络接收来自机器人摄像头的图像，并输出表示物体位置的状态。如[前所述⁠\(在新窗口中打开\)](https://blog.openai.com/spam-detection-in-the-physical-world/)，视觉网络使用数十万个模拟

从仿真泛化

OpenAI Blog

# 从仿真泛化 来源: [https://openai.com/index/generalizing-from-simulation/](https://openai.com/index/generalizing-from-simulation/) 仿真机器人的强化学习成果充斥市场，这可能会给人一种印象，即强化学习能轻松解决大多数机器人任务。但常见的强化学习算法只在那些对动作的小幅扰动能带来奖励增量变化的任务中表现良好。一些机器人任务具有简单的奖励函数，比如行走任务，可以根据行进距离来评分