{"id":11532,"date":"2024-04-13T16:05:39","date_gmt":"2024-04-13T16:05:39","guid":{"rendered":"https:\/\/dailyai.com\/?p=11532"},"modified":"2024-04-15T11:50:53","modified_gmt":"2024-04-15T11:50:53","slug":"deepmind-train-robot-soccer-players-that-kick-tackle-and-defend","status":"publish","type":"post","link":"https:\/\/dailyai.com\/de\/2024\/04\/deepmind-train-robot-soccer-players-that-kick-tackle-and-defend\/","title":{"rendered":"DeepMind trainiert Roboter-Fu\u00dfballspieler, die kicken, angreifen und verteidigen k\u00f6nnen"},"content":{"rendered":"

Forscher von Googles DeepMind haben einen Meilenstein in der Robotik erreicht, indem sie 20 Zoll gro\u00dfe humanoide Roboter erfolgreich auf ein Fu\u00dfballspiel vorbereitet haben.\u00a0<\/b><\/p>\n

Ihre <\/span>Studie<\/span><\/a>Die in Science Robotics ver\u00f6ffentlichte Studie beschreibt, wie sie den Robotern mithilfe von Deep Reinforcement Learning (RL) komplexe Fortbewegungs- und Spielf\u00e4higkeiten beibringen.<\/span><\/p>\n

Die im Handel erh\u00e4ltlichen Robotis OP3-Roboter<\/a> gelernt, zu rennen, zu kicken, zu blocken, von St\u00fcrzen aufzustehen und Tore zu schie\u00dfen - und das alles ohne manuelle Programmierung. <\/span><\/p>\n

Stattdessen erwarben die KI-Agenten, die die Roboter steuerten, diese F\u00e4higkeiten durch Ausprobieren in simulierten Umgebungen, geleitet von einem Belohnungssystem.<\/span><\/p>\n

So funktioniert der Fu\u00dfballroboter:<\/span><\/p>\n

    \n
  1. Zun\u00e4chst trainierten sie separate neuronale Netze, sogenannte \"Skill Policies\", f\u00fcr grundlegende Bewegungen wie Gehen, Treten und Aufstehen. Jede F\u00e4higkeit wurde in einer konzentrierten Umgebung erlernt, in der der Roboter f\u00fcr die Beherrschung dieser speziellen F\u00e4higkeit belohnt wurde.<\/span><\/li>\n
  2. Anschlie\u00dfend wurden die einzelnen Kompetenzrichtlinien mit Hilfe einer Technik namens Policy Distillation zu einem einzigen Master Policy Network zusammengef\u00fchrt. Diese vereinheitlichte Richtlinie konnte je nach Situation die entsprechende F\u00e4higkeit aktivieren.<\/span><\/li>\n
  3. Die Forscher optimierten die Master-Strategie dann weiter durch Selbstspiel, bei dem der Roboter simulierte Spiele gegen fr\u00fchere Versionen von sich selbst bestritt. Dieser iterative Prozess f\u00fchrte zu kontinuierlichen Verbesserungen der Strategie und des Spielablaufs.<\/span><\/li>\n
  4. Um die Strategie f\u00fcr den realen Einsatz vorzubereiten, wurde die simulierte Trainingsumgebung in Bezug auf Faktoren wie Reibung und Massenverteilung des Roboters randomisiert. Dies trug dazu bei, dass die Strategie robuster gegen\u00fcber physikalischen Ver\u00e4nderungen wurde.<\/span><\/li>\n
  5. Nach dem ausschlie\u00dflichen Training in der Simulation wurde die fertige Strategie auf reale OP3-Roboter hochgeladen, die dann ohne weitere Feinabstimmung physische Fu\u00dfballspiele bestritten.<\/span><\/li>\n<\/ol>\n

    Um ehrlich zu sein, Sie m\u00fcssen es sehen, um es zu glauben, also schauen Sie Popul\u00e4rwissenschaft<\/a>Videos unten.<\/p>\n