DARPA TIAMAT 프로그램은 역동적이고 복잡한 환경, 목표 및 플랫폼에서 자율 기술의 빠르고 강력한 전이를 목표로 합니다. 기존의 시뮬레이션-실제(sim-to-real) 전이 방법은 고충실도 시뮬레이션에 의존하며, 특히 시간에 민감한 시나리오에서 광범위한 적응에 어려움을 겪습니다. 많은 접근 방식이 특정 작업에서 놀라운 성능을 보였지만, 시뮬레이션의 고유한 한계로 인해 예측할 수 없고 복잡하며 역동적인 실제 시나리오에 직면하면 대부분의 기술이 부족합니다. TIAMAT는 점점 더 정교한 시뮬레이션과 도메인 랜덤화, 도메인 적응, 모방 학습, 메타 학습, 정책 증류 및 동적 최적화와 같은 일반적으로 작은 sim-to-real 간극을 가정하는 방법들의 조합을 통해 시뮬레이션 환경과 실제 세계 간의 간극을 해소하려는 현재 연구와는 달리, 다양한 저(하)충실도 시뮬레이션을 활용하여 광범위하게 효과적인 sim-to-real 전이를 생성함으로써 자율성 스택을 실제 환경으로 직접 전이하고 적응하는 것을 강조하는 다른 접근 방식을 취합니다. 여러 시뮬레이션 환경에서 공유 의미론을 참조하여 추상적으로 학습함으로써, TIAMAT의 접근 방식은 효과적이고 빠른 실제 세계 적응을 위한 추상-실제 전이를 달성하는 것을 목표로 합니다. 또한, 이 프로그램은 시뮬레이션된 행동을 효과적인 실제 세계 성능으로 변환하는 데 내재된 과제를 해결하여 전체 자율성 파이프라인을 개선하려고 합니다.
