Entwicklung einer selbstlernenden KI mithilfe neuronaler Netze im 3D-Raum

Die vorliegende Abschlussarbeit beschäftigt sich mit der Entwicklung einer selbstlernenden „Künstlichen Intelligenz“ (KI). Diese Arbeit verfolgt den Anspruch, dass die KI durch selbstständiges Lernen dazu fähig ist, sich im dreidimensionalen Raum zu einem Ziel zu bewegen. Hierbei ist die KI mit diversen Hürden konfrontiert, mit welchen diese zurechtkommen muss. Der zugrunde liegende Lernprozess findet mit Hilfe von sogenannten neuronalen Netzen statt.

Zu Beginn werden neuronale Netze im Allgemeinen und deren Funktionsweise vorgestellt. Darüber hinaus wird in einem Exkurs die Biologie der neuronalen Netze präsentiert.

Im anschließenden Teil der Arbeit geht es um die Funktionsweise konkreter neuro-evolutionärer Algorithmen – insbesondere um die Algorithmen „Neuro-Evolution-Of-Augmenting-Topologies“ (NEAT) und „Historical Neuro Evolution“ (HNE). Im Anschluss wird näher auf die Implementierung dieser Algorithmen sowie auf den Versuchsaufbau eingegangen. Abschließend werden die Testergebnisse der einzelnen neuro-evolutionären Algorithmen untereinander verglichen und diskutiert.

Schließlich ist es in dieser Arbeit gelungen zwei unterschiedliche neuro-evolutionäre Algorithmen zu implementieren, welche es ermöglichen, eine KI durch selbständiges Lernen in einem dreidimensionalen Raum zu einem Ziel zu bewegen.

  • Autor: Georg Steinhauser
  • Aufgabensteller/Prüfer: Prof. Dr. Christoph Bichlmeier
  • Arbeit vorgelegt am: 11.09.2018
  • Durchgeführt an der: Fakultät für Informatik