Wie bringt man künstliche Intelligenz aus der virtuellen Welt in die physische Realität? Unser Demonstrator „Autonomes Labyrinth“ zeigt genau das: Eine KI steuert Motoren unter einer beweglichen Platte so, dass eine Kugel einem vorgegebenen Pfad folgt – ganz ohne direkte menschliche Eingriffe.

Die Grundlage dafür bildet Reinforcement Learning (RL) – eine Lernmethode, bei der die KI durch Versuch und Irrtum herausfindet, welche Aktionen zum gewünschten Ergebnis führen. In einer Simulation hat das System gelernt, wie es die Platte kippen muss, um die Kugel sicher durch das Labyrinth zu navigieren. Belohnungen für erfolgreiche Aktionen helfen der KI, ihre Strategie kontinuierlich zu verbessern – ähnlich wie ein Mensch, der durch Erfahrung dazulernt.

Der Clou: Die trainierte KI wird aus der Simulation in ein reales System übertragen. Dabei kombinieren wir RL mit klassischen Optimierungsverfahren und einer asynchronen Echtzeitsteuerung. So können wir gezielt testen, wie gut sich das gelernte Verhalten auf die physische Welt übertragen lässt – etwa bei unterschiedlichen Schwierigkeitsgraden oder mit verschiedenen RL-Ansätzen (model-free vs. model-based).

Langfristig wollen wir diese Technologien auf industrielle Anwendungen übertragen: etwa zur automatischen Parametrisierung von Anlagen oder zur Steuerung von Roboterarmen in komplexen Szenarien. Das autonome Labyrinth ist dabei ein greifbares Beispiel dafür, wie KI durch Erfahrung intelligenter wird – und wie diese Intelligenz in der realen Welt nutzbar gemacht werden kann.