1. 定義と概要
リアリティギャップとは、シミュレーション環境（sim）で学習した方策を現実世界（real）に転移した際に、シミュレータと実環境の差異によって学習済みモデルの性能が低下する現象です。「sim2real」（シミュレータで学習した内容を現実世界のロボットなどに応用する技術）における最大の課題として位置づけられています。
具体例としては、ロボットアームの把持動作をシミュレータで学習した後、実機に適用すると摩擦係数のわずかな違いで対象物を滑り落とす、といったケースが挙げられます。画面のなかでは完璧に見えた動きが、実機ではうまくいかないわけです。
従来、ロボット制御の分野で使われる深層強化学習（ディープラーニングと強化学習を組み合わせた手法）では、実機を使って試行錯誤を繰り返す必要がありました。機械の故障や事故のリスク、実験場所の確保、データ収集の手間が大きな障壁となっていました。
そこで、コンピュータ上のシミュレータで安全かつ大量に試行して学習し、その結果を現実に転移する「sim2real」のアプローチが普及しました。しかしシミュレータは現実の物理現象やセンサーの特性を完全には再現できないため、リアリティギャップが顕在化し、「sim2real」を実用化するうえでの壁となっています。
2. 試験対策ポイント
まず整理したいのは、リアリティギャップが生じる原因の分類です。原因は、次の三つの系統に分けて捉えると見通しがよくなります。
| 原因の系統 | どこがずれるのか |
|---|---|
| 幾何学的パラメータ（物の形や大きさに関する設定値） | 物体の大きさや形状のずれ |
| 力学的パラメータ（摩擦や重さなど物の動きに関わる設定値） | 摩擦や質量のずれ |
| センサ系パラメータ（見え方や計測値に関わる設定値） | 光源・テクスチャ・センサーノイズのずれ |
いずれも単体では小さなずれに見えますが、方策が細かな物理量に依存しているほど、実機での挙動には大きな差となって表れます。
対策としては、シミュレータの各種パラメータをランダムに設定した多数の環境から学習させるドメインランダマイゼーション（シミュレータの設定をわざと様々に変えながら学習させる手法）が代表的です。パラメータを固定せずにばらつかせることで、現実世界の未知の条件に対しても頑健な方策を獲得できる点が、この手法の要点です。
逆方向のアプローチとして、実機のアクチュエータ（ロボットの関節などを動かすモーターなどの駆動部品）の挙動を計測する方法もあります。その結果をもとにシミュレータ側のパラメータを最適化し、シミュレータを現実に近づけるReal2Sim（実機の動きをシミュレータ側に反映させて現実に近づける手法）があります。「sim2real」とReal2Simの向きの違いは、取り違えやすい論点です。
3. 関連概念との比較・相違点
まぎらわしい三つの用語は、それぞれが現象なのか対策なのか、そして転移の向きがどちらなのかで整理できます。
| 用語 | 何を指すか | 転移の向き |
|---|---|---|
| リアリティギャップ | 「sim2real」で生じる性能低下の問題そのものを指す現象 | 向きの概念はない |
| ドメインランダマイゼーション | その対策として使われる具体的な学習手法 | シミュレータ側での学習の工夫 |
| Real2Sim | 実機の計測データでシミュレータ側を調整するアプローチ | 現実からシミュレータへ |
ドメインランダマイゼーションとの最大の違いは、現象か対策かという位置づけにあります。両者は原因と解決策の関係にあり、片方だけを覚えても試験問題には対応しにくい組み合わせです。
Real2Simとの最大の違いは、転移の向きにあります。「sim2real」はシミュレータで学習した方策を現実に適用する方向であるのに対し、Real2Simは実機の計測データをもとにシミュレータ側を現実に近づける逆方向のアプローチです。前者はシミュレータを起点に現実へ、後者は現実を起点にシミュレータへと、矢印の向きが逆になっています。この転移方向の違いは、しばしば論点になります。
4. ビジネス・実務での活用シナリオ
製造業では、工場の組立ロボットが対象物をつかむ把持動作をシミュレータで学習し、実機へ転移する場面でリアリティギャップが表面化します。摩擦係数や質量のわずかな違いから対象物を落下させる事例が生じるため、ドメインランダマイゼーションによって多様な条件下で学習させ、実機での成功率を高める取り組みが進んでいます。
自動運転の分野では、走行方策をシミュレータで学習し公道実験へ移す過程で、天候や路面状態、センサーノイズの違いによってリアリティギャップが顕在化します。多様な仮想環境をあらかじめ用意しておくことで、実車走行におけるリスクを抑えられる関係にあります。
物流・倉庫ロボットの分野では、商品のピッキング動作をシミュレータで先行学習させ、実機導入までの開発期間と実機破損のリスクを抑える形で活用されています。導入前にシミュレータ内で失敗を大量に経験させられる点は、実務上の利点になっています。
5. 要点まとめ
- リアリティギャップは、シミュレータで学習した方策を現実世界に適用した際、環境の差異によって性能が低下する現象で、「sim2real」における最大の課題とされます。
- 原因は幾何学的パラメータ・力学的パラメータ・センサ系パラメータのずれで、対策としてシミュレータの条件をランダム化するドメインランダマイゼーションが柱になります。
- 「sim2real」とは逆方向に、実機データでシミュレータを現実に近づけるReal2Simという手法もあり、両者の向きの違いが論点になります。
6. 確認問題
問1リアリティギャップとは、シミュレータで学習した方策を現実世界に適用した際、シミュレータと実環境の差異によって性能が低下する現象を指す。
解答・解説をみる
○ 正しい
リアリティギャップは「sim2real」における最大の課題として位置づけられ、摩擦や質量、センサーノイズなどの環境の差異が原因となります。
問2ドメインランダマイゼーションは、シミュレータの環境パラメータを固定して再現性を高めることでリアリティギャップを解消する手法である。
解答・解説をみる
× 誤り
正しくは、シミュレータの各種パラメータをランダムに変化させた多数の環境から学習させることで、現実世界の未知の条件に対しても頑健な方策を獲得する手法です。パラメータを固定するという記述は、向きが逆になっています。
問3Real2Simは、実機のアクチュエータの挙動を計測したデータをもとに、シミュレータ側のパラメータを最適化して現実に近づけるアプローチである。
解答・解説をみる
○ 正しい
「sim2real」がシミュレータから現実への転移であるのに対し、Real2Simは現実の計測データでシミュレータを現実に近づける逆方向のアプローチにあたります。
