---
title: "Sim2Realとは？（シミュレーションから現実へ）【G検定対策】"
description: "Sim2Realは、シミュレーションで学習した制御方策やモデルを現実環境へ移す考え方です。現実のセンサ誤差や摩擦、照明条件などのずれが性能低下を招く理由、ドメインランダム化や転移学習による対策、ロボット学習での出題ポイントをG検定向けに整理します。"
last_modified_at: "2026-06-28"
canonical_url: "https://stemtazoo.github.io/gk/sim2real/"
section: "gk"
---

## まず結論

Sim2Real（Sim-to-Real）とは、**シミュレーション環境で学習したモデルや制御方策を、現実世界（Real）でそのまま、または調整して使う考え方**であり、G検定では「なぜ現実でうまく動かないか」「その対策は何か」を理解しているかが問われる。

Sim2Realは特定の一つのアルゴリズム名ではありません。**シミュレーションから現実へ知識を移す課題設定・技術群の総称**として捉えます。

## 直感的な説明

Sim2Realは、

> ゲームで練習した操作を、実機ロボットで再現する

ようなものです。

* シミュレーション：

  * 安全・高速・安価に何度も試せる
* 現実世界：

  * ノイズが多く、思い通りにいかない

この **"理想環境と現実のズレ"** をどう乗り越えるか、がSim2Realの核心です。

## 定義・仕組み

Sim2Realでは、次の流れを取ります。

1. シミュレーション環境で学習
2. 学習済みモデルを現実環境へ転用
3. 必要に応じて調整・追加学習

問題になるのが、

* センサー誤差
* 摩擦・質量など物理パラメータの違い
* 環境ノイズ
* 画像の照明・質感・背景の違い
* 制御指令の遅延や実機の個体差

といった **リアリティギャップ（Reality Gap）** です。

このギャップを埋める工夫がSim2Realの研究テーマです。

代表的な対策は次のとおりです。

| 対策 | 考え方 |
|---|---|
| ドメインランダム化 | 照明、摩擦、質量、ノイズなどをシミュレーション内で幅広く変化させる |
| ドメイン適応 | シミュレーションと現実のデータ分布の差を小さくする |
| 実データでの追加学習 | シミュレーションで得たモデルを、少量の実データで微調整する |
| システム同定 | 実機の物理パラメータを測り、シミュレーションを現実に近づける |

Sim2Realが「移すという課題全体」を指すのに対し、**ドメインランダム化はその対策の一つ**です。

## いつ使う？（得意・不得意）

### 得意なケース

* ロボティクス
* 強化学習（RL）
* 実機での試行が高コスト・危険な場合

### 苦手・注意点

* シミュレーションと現実の差が大きいと失敗
* 物理モデルの精度に依存
* 実機での安全確認や性能評価は別途必要
* 条件をばらつかせすぎると、学習が難しくなったり性能が保守的になったりする

## G検定ひっかけポイント

G検定では、**Sim2Realを「そのまま必ず動く魔法」だと誤解させる**選択肢が出ます。

### よくある誤解

* シミュレーションで学習すれば現実でも必ず同じ性能 → ✕
* Sim2Realはデータ拡張手法 → ✕
* ドメインランダム化とSim2Realは同じ意味 → ✕
* 現実での検証は不要 → ✕

### 正誤を切る判断基準

* **シミュレーション→現実への転用？** → Sim2Real
* **ズレ（Reality Gap）を問題にしている？** → Sim2Real
* **環境条件を意図的にばらつかせる？** → 対策の一つであるドメインランダム化

詳しい切り分けは、[ドメインランダム化とは？](https://stemtazoo.github.io/gk/domain-randomization/)で確認できます。

## まとめ（試験直前用）

* Sim2Realはシミュレーション学習を現実に適用
* 最大の課題はリアリティギャップ
* ロボット・強化学習で頻出
* 安全・低コストが利点
* G検定では"ズレへの対策"が問われる

## 参考情報

- Tobinほか：[Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World](https://arxiv.org/abs/1703.06907)