Deep Reinforcement Learning zur autonomen Steuerung eines Flipperautomaten mit kamerabasierter Umgebungserfassung

Abstract

Diese Masterarbeit untersucht die Entwicklung eines autonomen Flipperautomaten, der durch den Einsatz von Deep Reinforcement Learning (DRL) und Bildverarbeitung selbstständig agieren kann. Ziel war es, ein System zu realisieren, das die Position der Kugel mithilfe einer Kamera erfasst und in Echtzeit optimale Steuerungs-entscheidungen für die Flipperarme trifft. Hierfür wurde ein digitaler Zwilling als Trainingsumgebung aufgebaut, um den Agenten effizient und risikoarm zu trainieren, bevor das erlernte Verhalten auf einen physischen Demonstrator übertragen wurde. Im Rahmen der Arbeit wurde ein Deep Q-Network (DQN) implementiert, dessen Leistungsfähigkeit anhand verschiedener Experimente und Parameterstudien evaluiert wurde. Die Ergebnisse zeigen, dass der entwickelte Agent in der Lage ist, robuste Strategien zu erlernen, um die Kugel möglichst lange im Spiel zu halten. Damit leistet die Arbeit einen Beitrag zum praktischen Einsatz moderner KI-Methoden in interaktiven, realweltlichen Szenarien.

This master’s thesis explores the development of an autonomous pinball machine controlled by Deep Reinforcement Learning (DRL) and computer vision. The objective was to create a system capable of detecting the ball’s position using a camera and making real-time control decisions for the flipper arms. To achieve this, a digital twin was designed as a training environment, enabling efficient and safe training of the agent before transferring the learned behavior to a physical demonstrator. A Deep Q-Network (DQN) was implemented and its performance evaluated through a series of experiments and parameter studies. The results demonstrate that the developed agent is capable of learning robust strategies to keep the ball in play for extended periods. Thus, the work contributes to the practical application of modern AI methods in interactive, real-world scenarios.