Wenn Sie sich jemals ohne Partner für ein Tischtennisspiel befunden haben, werden Sie sich vielleicht darüber freuen zu hören, dass die Technologie zur Rettung gekommen ist. Stellen Sie sich vor, einen Roboter zu haben, der mit Ihnen spielt, Ihre Fähigkeiten herausfordert und Ihnen dabei hilft, Ihr Spiel zu verbessern, alles ohne einen menschlichen Gegner. Dank der Fortschritte in der Robotik wird dies jetzt zur Realität. Das Robotikteam von Google’s DeepMind hat einen Tischtennisroboter entwickelt, der nicht nur spielt, sondern auch lernt und sich anpasst und somit zu einem interessanten Akteur in der Welt der Sporttechnologie ist.
Google’s DeepMind Robotics Team sorgte kürzlich mit der Entwicklung eines Tischtennisroboters, der auf “solider Amateur-Human-Level” spielt, für Schlagzeilen. In ihrem Papier mit dem Titel “Erreichen des humanen Wettbewerbsroboter Tischtennis” beschreiben die Forscher die Leistung ihres Roboters gegen menschliche Gegner. Der Roboter schaffte es, alle Spiele gegen Anfänger zu gewinnen und 55% der Spiele gegen mittlere Spieler zu gewinnen. Gegen fortgeschrittene Spieler hatte er jedoch Schwierigkeiten und verlor jedes Spiel. Insgesamt gewann der Roboter 45% der 29 gespielten Spiele.
Der Tischtennisroboter ist mit einem intelligenten System ausgestattet, das ihm hilft, während des Spiels zu entscheiden, welche Züge er machen soll. Er hat zwei Ebenen der Entscheidungsfindung: die Niedrigpegel-Controller und die Hochpegel-Controller. Die Niedrigpegel-Controller handeln bestimmte Fähigkeiten wie Vorhand-Sicherheit oder Rückhand-Zielgenauigkeit, ähnlich wie ein Spieler unterschiedliche Schüsse übt. Der Hochpegel-Controller fungiert wie ein Trainer und wählt, welche Fähigkeit basierend auf der Spielsituation und dem Wissen über den Gegner verwendet wird.
Trotz seiner Erfolge steht der Roboter vor erheblichen Herausforderungen, insbesondere in der Reaktion auf schnelle Bälle. DeepMind führt diese Schwierigkeiten auf Systemlatenz, obligatorische Resets zwischen den Schüssen und unzureichende Daten zurück. Um diese Hürden zu überwinden, erkunden die Forscher fortschrittliche Steuerungsalgorithmen und Hardware-Optimierungen, wie vorhersagende Modelle für Balltrajektorien und schnellere Kommunikationsprotokolle zwischen Sensoren und Aktoren.