Deep Reinforcement Learning und Bildverarbeitung zur autonomen Steuerung eines Flipperautomaten

Abstract

Diese Masterarbeit untersucht, wie ein Flippersystem durch Bildverarbeitung und Deep Reinforcement Learning zu autonomem Spielverhalten befähigt werden kann. Dazu wurde ein Verfahren zur präzisen Zustandserfassung entwickelt und eine virtuelle Trainingsumgebung implementiert, die realitätsnahe physikalische Bedingungen simuliert. Erste Schritte zur Übertragung des trainierten Modells auf einen physischen Demonstrator wurden erfolgreich durchgeführt. Die Arbeit legt damit die Grundlagen für autonome Flippersysteme auf Basis von Deep Reinforcement Learning.

This master’s thesis investigates how a pinball system can be enabled for autonomous gameplay through computer vision and deep reinforcement learning. A method for precise state detection was developed, and a virtual training environment was implemented that simulates realistic physical conditions. Initial steps toward transferring the trained model to a physical demonstrator were successfully completed. This work thereby establishes the foundation for autonomous pinball systems based on deep reinforcement learning.