Forschende der ETH Z\u00fcrich haben ein Robotersystem entwickelt, das mit Hilfe von Reinforcement Learning ein reales Labyrinthspiel l\u00f6sen kann.\u00a0<\/b><\/p>\n
Wie ausf\u00fchrlich in <\/span>ihre Studie<\/span><\/a> Unter dem Titel \"Sample-Efficient Learning to Solve a Real-World Labyrinth Game Using Data-Augmented Model-Based Reinforcement Learning\" meisterte dieser KI-gest\u00fctzte Roboter das BRIO-Labyrinthspiel in nur f\u00fcnf Stunden Trainingsdaten und \u00fcbertraf damit alle bisher bekannten Versuche.<\/span><\/p>\n Das BRIO Labyrinth-Spiel, das einigen bekannt vorkommen d\u00fcrfte, ist ein Test f\u00fcr Feinmotorik und r\u00e4umliches Denken, bei dem die Spieler eine Stahlkugel durch ein Labyrinth steuern m\u00fcssen, indem sie das Spielfeld kippen.\u00a0<\/span><\/p>\n Trotz seiner scheinbaren Einfachheit ist das Spiel aufgrund der Beziehung zwischen dem Ball und den W\u00e4nden, den Oberfl\u00e4chenunregelm\u00e4\u00dfigkeiten und der nichtlinearen Dynamik der Steuerkn\u00f6pfe sehr komplex. Diese Herausforderungen machen das Labyrinth ideal f\u00fcr die Anwendung und Bewertung modernster Lernmethoden f\u00fcr Roboter.<\/span><\/p>\n Das Team der ETH Z\u00fcrich unter der Leitung von Thomas Bi und Professor Raffaello D'Andrea hat eine Methode entwickelt, die mit Hilfe von Kamerabildern effiziente Beobachtungen aus dem Labyrinth extrahiert.\u00a0<\/span><\/p>\n Der Lernprozess der KI basiert auf modellbasiertem Verst\u00e4rkungslernen, wobei eine Belohnungsfunktion verwendet wird, die durch den Fortschritt im Labyrinth definiert ist.<\/span><\/p>\n Nach dem Training navigierte der KI-Roboter erfolgreich durch das Labyrinth mit einer Erfolgsquote von 76% und einer durchschnittlichen Zeit von 15,73 Sekunden. Dies ist etwas besser als der beste menschliche Rekord von 15,95 Sekunden.<\/span><\/p>\n Das System verwendet eine Kamera, um Bilder von oben nach unten aufzunehmen und wichtige Daten wie die Position des Balls und den Aufbau des Labyrinths zu extrahieren. Maschinelles Lernen <\/span>Techniken spiegeln Beobachtungen wider, um die Trainingsdaten zu erweitern, vielf\u00e4ltigere Daten zu erzeugen und die Verallgemeinerung zu verbessern.<\/span><\/p>\n Diese Forschung stellt einen wesentlichen Fortschritt bei der Anwendung von KI in dynamischen, realen Umgebungen dar. Das ETH-Team plant, sein Projekt als Open-Source-Projekt zu ver\u00f6ffentlichen. Es ist \u00fcberzeugt, dass sein System aufgrund des geringen Platzbedarfs, der bescheidenen Kosten und des einfachen Hardwareaufbaus als wertvoller Benchmark f\u00fcr die weitere KI-Forschung in der realen Welt dienen kann.<\/span><\/p>\n Weitere Ergebnisse werden ver\u00f6ffentlicht <\/span>auf dieser Website,<\/span><\/a> und Sie k\u00f6nnen sich unten ein Video \u00fcber die Funktionsweise des intriganten Robotersystems ansehen.\u00a0<\/span><\/p>\nWie die Studie funktionierte\u00a0<\/span><\/h2>\n