Reinforcement Learning bei der Bewegungssteuerung eines selbstlernenden physischen Roboters. Chancen und Grenzen bei der Nutzung künstlicher Intelligenz

Inhaltsangabe oder Einleitung

Im Rahmen der vorliegenden Ausarbeitung soll an einem konkreten physischen – aber sehr einfach gehaltenen – Roboter untersucht werden, inwieweit Reinforcement Learning zur Steuerung eines solchen Roboters genutzt werden kann und welche Möglichkeiten und Probleme sich daraus ergeben könnten. Aufbauend auf diesem grundlegenden Verständnis könnten dann weitere Untersuchungen zur Übertragbarkeit auf komplexere und praktisch nutzbare Anwendungen erfolgen.

Die diversen Verfahren des maschinellen Lernens, die im alltäglichen Sprachgebrauch häufig unter dem Schlagwort “künstliche Intelligenz“ zusammengefasst werden, erleben aktuell eine sehr starke mediale Präsenz, welche die entsprechende Technologie und vielmehr die zum Teil spektakulären Anwendungsfälle auch einer breiten Bevölkerungsschicht außerhalb von Industrie und Technik bekannt macht. Es kann dabei schnell der Eindruck entstehen, dass es sich bei künstlicher Intelligenz um neueste technologische Entwicklungen handelt, die sogar dazu in der Lage sind, die menschliche Arbeitskraft in naher Zukunft komplett oder zumindest teilweise zu ersetzen. In den zurückliegenden fünf bis zehn Jahren beschleunigte sich die Entwicklung rasant und mit der Verfügbarkeit immer leistungsfähigerer und preisgünstigerer Hardware haben sich eine Vielzahl von Anwendungsfällen entwickelt, die im heutigen Alltagsleben selbstverständlich genutzt werden.

In der jüngsten Vergangenheit haben selbstlernende Systeme eine starke mediale Präsenz erreicht. Derartige Systeme, wie beispielsweise DeepMinds AlphaZero, die auf sogenanntem Reinforcement Learning, also bestärkendem Lernen, basieren, sind dazu in der Lage, komplexe Brettspiele, wie zum Beispiel Schach oder Go, auf einem Niveau zu beherrschen, welches das aller menschlichen Experten übertrifft. Dies zum Teil dazu noch ohne jemals umfassend darin angeleitet worden zu sein oder das Regelwerk vorab zu kennen. Die Systeme haben sich dieses Können eigenständig durch Versuch und Irrtum angeeignet. Ebenfalls erweitern sich die Einsatzgebiete dieser Verfahren zunehmend.

Eine Vielzahl der Anwendungen findet aktuell jedoch in virtuellen Umgebungen und Simulationen statt, die eine idealtypische und stark vereinfachte Umwelt repräsentieren, die vielfach an physischen Maschinen nicht zu finden ist. Eine Übertragung der Erkenntnisse und Algorithmen in die Realität kann dadurch oftmals nur schwer vorgenommen werden.