Deep Reinforcement Learning und Bildverarbeitung zur generalisierbaren Steuerung physischer Labyrinthe

Abstract

Diese Arbeit untersucht einen Reinforcement-Learning-Ansatz zur autonomen Steuerung eines physischen Kugellabyrinths. Ziel ist es, dass ein lernfähiger Agent eine Kugel über verschiedene Labyrinthmuster hinweg selbstständig vom Start- zum Zielpunkt navigiert. Aufbauend auf einem bestehenden Demonstrator wird ein kamerabasiertes Bildverarbeitungssystem genutzt, um den Systemzustand zu erfassen und als Eingabe für das lernbasierte Steuerungsverfahren bereitzustellen. Ein besonderer Fokus liegt auf dem Sim-to-Real-Transfer der trainierten Agenten.

This thesis investigates a reinforcement learning approach for the autonomous control of a physical marble maze. The goal is for a learning agent to independently navigate a ball from the start to the goal across various maze patterns. Building on an existing demonstrator, a camera-based image processing system is used to capture the system state and provide it as input to the learning-based control method. A particular focus lies on the sim-to-real transfer of the trained agents.