@phdthesis{Fischer2019,
  type      = {Master Thesis},
  author    = {Jens Fischer},
  title     = {Laufenlernen eines humanoiden Roboters mit Zehen mit Hilfe von Machine Learning und Behavior Morphing},
  address   = {Offenburg},
  pages     = {84},
  year      = {2019},
  abstract  = {Das Team \"magmaOffenburg\" nimmt seit 2009 an der 3D-Simulationsliga des RoboCups teil. Wie gut das Laufen auf zwei Beinen in der verwendeten Simulationsumgebung \"SimSpark\" funktioniert ist einer der zentralen Faktoren f{\"u}r ein erfolgreiches Abschneiden. Bisher wird f{\"u}r das Laufen ausschlie{\"s}lich eine inverskinematische Walk-Engine verwendet. In dieser Arbeit wird mit genetischen Algorithmen und einer modellfreien Parametrisierung Laufen komplett \"from scratch\" gelernt. Derselbe Ansatz wurde zuvor bereits erfolgreich f{\"u}r das Lernen von Kicks eingesetzt. Gegen{\"u}ber der alten Walk-Engine zeichnet diesen Ansatz besonders aus, dass zum ersten Mal die Zehengelenke genutzt werden, welche eines der verf{\"u}gbaren Robotermodelle besitzt. Dies erm{\"o}glicht einen nat{\"u}rlicheren und schnelleren Gang. Zwar ist die Stabilit{\"a}t des gelernten Laufens noch nicht vergleichbar mit dem bisherigen (der Spieler f{\"a}llt etwa 26\% h{\"a}ufiger hin), aber beispielsweise beim Vorw{\"a}rtslaufen konnten mit einer Geschwindigkeit von 1.3 m/s statt 1 m/s Steigerungen von 30\% erzielt werden. Dar{\"u}ber hinaus wurde untersucht, wie dem Agenten im Anschluss an das gelernte Laufen wieder ein {\"U}bergang zur alten Walk-Engine gelingen kann. Der erfolgreichste Ansatz basiert ebenfalls wieder auf einer mit genetischen Algorithmen trainierten Bewegung. Er ist in etwa der H{\"a}lfte der F{\"a}lle erfolgreich.},
  language  = {de}
}