Solo Developer
Gravity Pong war mein Ausflug in Reinforcement Learning. Vorher hatte ich das schon zweimal mit komplexeren Spielen versucht, was nie wirklich konvergiert ist — also habe ich diesmal bewusst klein angesetzt: ein simples Spiel mit einem einzigen Twist.
Der Twist: Pong, aber die Schwerkraft ändert sich gelegentlich. Dein Paddle wird dann nach oben oder unten gezogen, auch wenn du gerade versuchst es in die andere Richtung zu bewegen. Klingt nach wenig, macht aber das Timing deutlich chaotischer — und zwingt den Agenten, nicht nur auf den Ball zu reagieren, sondern auch auf die Eigendynamik seines eigenen Paddles.
Das Training hat überraschend gut geklappt — ich hatte am Ende mehrere Schwierigkeitsgrade. Interessanterweise war genau das der kniffligste Teil: wie macht man einen Agenten gezielt „schwächer"? Mein Ansatz war, einmal einen perfekt spielenden Agenten zu trainieren und ihm dann Handlungsmöglichkeiten zu beschneiden — zum Beispiel indem er nur jeden zweiten Zug machen durfte, den er eigentlich machen wollte. Die Details verschwimmen mittlerweile etwas, aber der Kerngedanke war: nicht absichtlich schlecht trainieren, sondern künstlich drosseln.
Hobby-Projekt, komplett solo, ein paar Wochen lang. Keine Weltneuheit, aber ich habe dabei zum ersten Mal gesehen wie ein selbst-trainiertes Modell tatsächlich lernt — und das hat mir mehr über RL beigebracht als alle Videos zuvor.
▸ Screenshots
