我們發展一套基於影像的虛實轉移技術(sim-to-real transfer)，先訓練老師模型(teacher model)來學習最佳路徑，再藉由老師模型與隨機化(randomization)來訓練學生模型(student model)，使學生模型適應虛實環境差異，提升在真實環境的行駛速度及穩定性。

我們提出的虛實轉移技術(sim-to-real transfer)能解決自駕模型賽車中虛實環境差異的問題，在避免犧牲行駛速度的情況下，提升在真實環境中行駛的穩定度。我們將此成果發表於國際頂尖會議IROS 2020的Workshop，也在AWS DeepRacer自駕模型賽車競賽中多次取得亮眼成績。

此虛實轉移技術有助於解決虛實環境差異的問題，提高深度強化式學習於真實應用問題的可行性。自駕技術除了可應用於IFMAR比賽上，透過人機競賽來增進觀賞性之外，也可用於工廠內的無人搬運車，達到低成本、快速部署的目的，亦可用於高風險環境(如崎嶇路面等)之救災探勘，提高搜救的效率及範圍。

天使投資人、策略合作夥伴