KI-gesteuerter Airhockey-Spieler übertrifft Menschen durch virtuellen Trainingserfolg

Die fortschreitende Entwicklung im Bereich der Künstlichen Intelligenz (KI) und Robotik führt zu immer beeindruckenderen Ergebnissen. Ein aktuelles Projekt von Studierenden der University of British Columbia (UBC) demonstriert dies eindrucksvoll: Ein KI-gesteuerter Airhockey-Spieler, der ausschließlich in einer Simulation trainiert wurde, zeigt sich im realen Spiel menschlichen Gegnern überlegen. Dieses Ergebnis wirft ein Schlaglicht auf das Potenzial des sogenannten "Sim-to-Real"-Transfers und seine Bedeutung für zukünftige Anwendungen.

Die Herausforderung Airhockey für KI

Airhockey ist ein dynamisches und schnelles Spiel, das von Spielern hohe Reaktionsgeschwindigkeiten, präzise Bewegungen und die Fähigkeit zur Antizipation erfordert. Der Puck gleitet auf einem Luftkissen mit minimaler Reibung und kann durch Banden unvorhersehbare Flugbahnen annehmen. Diese Komplexität macht Airhockey zu einem idealen Testfeld für KI-Systeme, die in Echtzeit auf sich ändernde Bedingungen reagieren müssen.

Technische Umsetzung und Spielerfassung

Um einen KI-Spieler in dieses Szenario zu integrieren, waren mehrere technische Hürden zu überwinden. Eine zentrale Komponente ist die präzise und schnelle Erfassung der Spielsituation. Hierfür setzten die Entwickler eine über dem Spieltisch angebrachte Kamera ein, die mit 120 Bildern pro Sekunde arbeitet. Durch den Einsatz heller LEDs und eines reflektierenden Klebebands am Puck konnte die Position des Pucks mit einer Genauigkeit von etwa einem Millimeter erfasst werden. Diese hohe Präzision ist entscheidend, um den schnellen Bewegungen des Pucks folgen zu können.

Die Steuerung des Roboterarms

Der Schläger des KI-Spielers ist an beweglichen Schienen montiert und kann sich in zwei Dimensionen über die Hälfte des Spieltisches bewegen. Zwei Gleichstrommotoren, gesteuert durch einen STM32 Blue Pill Mikroprozessor, treiben den Schläger über Riemen an. Um Spannungsschwankungen, die insbesondere bei schnellen Bewegungen auftreten, zu stabilisieren, wurde ein Superkondensator integriert. Dies gewährleistet eine konstante und zuverlässige Steuerung des Schlägers.

Die Bedeutung des Sim-to-Real-Transfers

Das Besondere an diesem Projekt ist der Ansatz des "Sim-to-Real"-Transfers. Die KI wurde ausschließlich in einer virtuellen Umgebung trainiert, ohne jegliches physisches Training am realen Airhockey-Tisch. Dies stellt einen signifikanten Fortschritt dar, da es den Zeit- und Kostenaufwand für das Training physischer Robotersysteme erheblich reduziert.

Eine vereinfachte, aber effektive Simulation

Anstatt auf komplexe und ressourcenintensive Physik-Engines wie Unity oder Unreal zurückzugreifen, entwickelten die Studierenden eine eigene, vereinfachte Simulationsumgebung. In dieser Umgebung kam die Soft-Actor-Critic-Trainingsmethode zum Einsatz – ein Deep-Reinforcement-Lernalgorithmus, der sich für das Erlernen von Entscheidungs- und Steuerungsstrategien in komplexen Systemen mit kontinuierlichen Aktionsräumen eignet.

Die Simulation bildete die Puck- und Schlägerbewegungen ab. Ein neuronales Netzwerk mit lediglich 112 Parametern wurde darauf trainiert, das Abprallverhalten des Pucks an den virtuellen Banden vorherzusagen, einschließlich der Abprallgeschwindigkeit, des Winkels und der Unsicherheit. Die Integration einer zufälligen Verteilung der Unsicherheit in die Abprallberechnungen sorgte dafür, dass die Simulation die realen, nicht-perfekten Gegebenheiten von Puck und Banden besser abbildete. Dies erhöhte die Robustheit des KI-Modells gegenüber unerwarteten Bedingungen in der realen Welt.

Effizientes Training und Übertragung

Das Training der KI erfolgte auf einem Notebook mit einem Intel i5-Prozessor und lief etwa 230-mal schneller als in Echtzeit. Diese Effizienz ermöglichte ein umfangreiches Training in adäquater Zeit. Die dabei gewonnenen Trainingsdaten wurden anschließend direkt auf den physischen Airhockey-Tisch übertragen. Der Erfolg dieses "Zero-Shot"-Transfers – also der Übertragung ohne zusätzliches physisches Training – ist bemerkenswert. Die KI konnte ihre in der Simulation erlernten Fähigkeiten direkt im Realbetrieb anwenden und übertraf dabei durchschnittliche menschliche Spieler.

Der Erfolg dieses Transfers beruhte maßgeblich darauf, dass die Entwickler die spezifischen Eigenschaften des realen Tisches, einschließlich hardwarebedingter Latenzen, detailliert in die Simulationsumgebung integriert hatten. Diese genaue Modellierung der physikalischen Realität in der Simulation ist ein Schlüsselfaktor für den erfolgreichen Sim-to-Real-Transfer.

Implikationen für die Zukunft der KI und Robotik

Dieses Projekt unterstreicht das enorme Potenzial von KI-Systemen, die in virtuellen Umgebungen trainiert werden und ihre Fähigkeiten dann auf die physische Welt übertragen können. Die Fähigkeit, komplexe Aufgaben wie Airhockey ohne physisches Training zu meistern, hat weitreichende Implikationen:

• Kosteneffizienz: Der Verzicht auf physisches Training reduziert Entwicklungszeiten und Kosten erheblich.
• Sicherheit: Virtuelle Trainingsumgebungen ermöglichen das Experimentieren mit riskanten Szenarien ohne Gefahr für Mensch und Maschine.
• Skalierbarkeit: KI-Modelle können in Simulationen schneller und effizienter trainiert und optimiert werden.
• Anpassungsfähigkeit: Durch die Abbildung realer Unsicherheiten in der Simulation können KI-Systeme robuster gegenüber unvorhersehbaren Bedingungen in der realen Welt werden.

Die Erkenntnisse aus diesem Airhockey-Projekt könnten auf andere Bereiche der Robotik und Automatisierung übertragen werden, beispielsweise in der Fertigungsindustrie, Logistik oder bei autonomen Systemen, wo Präzision, schnelle Reaktion und Anpassungsfähigkeit entscheidend sind. Das Projekt zeigt, wie modellbasiertes Deep Reinforcement Learning dazu beitragen kann, die Kluft zwischen Simulation und Realität weiter zu schließen.

Verfügbare Ressourcen

Details zum Airhockey-KI-Projekt sowie den zugehörigen Code stellen die Entwickler auf GitHub bereit, was die Reproduzierbarkeit und Weiterentwicklung der Forschung fördert.

Bibliographie

• Bünte, O. (2026, 8. Juni). Airhockey: KI-Spieler übertrifft menschliche Spieler ohne physisches Training. heise online. Verfügbar unter: https://www.heise.de/news/Airhockey-KI-Spieler-uebertrifft-menschliche-Spieler-ohne-physisches-Training-11321348.html
• Hudson Nock et al. (o. D.). AI Air Hockey Final Report. Verfügbar unter: https://github.com/HudsonNock/Air-Hockey-Sim/blob/main/docs/2509_AI_Air_Hockey_FinalReport.pdf
• Orsula, A. (o. D.). GitHub - AndrejOrsula/drl_air_hockey: Robot Air Hockey with DreamerV3. GitHub. Verfügbar unter: https://github.com/AndrejOrsula/drl_air_hockey
• Archynewsy. (2026, 4. Juni). AI Air Hockey Robot Masters Skills in Virtual Training and Defeats Humans. Archynewsy. Verfügbar unter: https://www.archynewsy.com/ai-air-hockey-robot-masters-skills-in-virtual-training-and-defeats-humans/
• stmarknet.com. (2026, 8. Juni). AI Air Hockey Robot: Sim-to-Real Transfer Learning (2026). Verfügbar unter: https://stmarknet.com/article/ai-air-hockey-robot-sim-to-real-transfer-learning
• Instagram. (2026, 2. Juni). Researchers developed an AI-powered robot capable of playing air .... Verfügbar unter: https://www.instagram.com/reel/DZHjHiHtCJc/
• Instagram. (2026, 2. Juni). A robotic arm trained entirely inside a simulation can now play air .... Verfügbar unter: https://www.instagram.com/reel/DZGFxsfBWD-/