Sport dient seit langem als wichtiger Test für Roboter. Das bekannteste Beispiel für dieses Phänomen ist vielleicht das jährliche RoboCup-Fußballwettbewerbdas bis in die Mitte der 1990er Jahre zurückreicht. Tischtennis spielt seit einem Jahrzehnt zuvor eine Schlüsselrolle bei der Bewertung von Roboterarmen. Der Sport erfordert unter anderem Geschwindigkeit, Reaktionsfähigkeit und Strategie.
In einem neu erschienenes Papier Unter dem Titel „Achieving Human Level Competitive Robot Table Tennis“ präsentiert Googles DeepMind Robotics-Team seine eigene Arbeit an dem Spiel. Die Forscher haben effektiv einen „soliden Amateurspieler auf menschlichem Niveau“ entwickelt, der gegen eine menschliche Komponente antritt.
Während des Tests konnte der Tischtennis-Bot alle Spieler auf Anfängerniveau schlagen, gegen die er antrat. Bei fortgeschrittenen Spielern gewann der Roboter 55 % der Spiele. Er ist jedoch noch nicht bereit, gegen Profis anzutreten. Der Roboter verlor jedes Mal, wenn er gegen einen fortgeschrittenen Spieler antrat. Insgesamt gewann das System 45 % der 29 Spiele, die es spielte.
„Dies ist der erste Roboteragent, der in der Lage ist, mit Menschen auf menschlichem Niveau Sport zu treiben, und stellt einen Meilenstein in der Roboterlern- und -steuerung dar“, heißt es in dem Papier. „Es ist jedoch auch nur ein kleiner Schritt in Richtung eines langjährigen Ziels in der Robotik, nämlich die Leistung auf menschlichem Niveau bei vielen nützlichen Fähigkeiten der realen Welt zu erreichen. Es bleibt noch viel zu tun, um bei einzelnen Aufgaben konstant Leistung auf menschlichem Niveau zu erreichen und darüber hinaus allgemeine Roboter zu bauen, die in der Lage sind, viele nützliche Aufgaben auszuführen und geschickt und sicher mit Menschen in der realen Welt zu interagieren.“
Das größte Manko des Systems ist seine Fähigkeit, auf schnelle Bälle zu reagieren. DeepMind vermutet, dass die Hauptgründe dafür die Systemlatenz, obligatorische Neustarts zwischen den Schüssen und ein Mangel an nützlichen Daten sind.
„Um die Latenzbeschränkungen zu beheben, die die Reaktionszeit des Roboters auf schnelle Bälle beeinträchtigen, schlagen wir vor, fortschrittliche Steuerungsalgorithmen und Hardwareoptimierungen zu untersuchen“, bemerken die Forscher. „Dazu könnten die Erforschung prädiktiver Modelle zur Vorhersage der Ballflugbahn oder die Implementierung schnellerer Kommunikationsprotokolle zwischen den Sensoren und Aktoren des Roboters gehören.“
Weitere ausnutzbare Probleme des Systems sind hohe und niedrige Bälle, Rückhand und die Fähigkeit, den Spin eines ankommenden Balls zu erkennen.
Zur Frage, wie sich derartige Forschungen über den sehr begrenzten Nutzen beim Tischtennis hinaus auf die Robotik auswirken könnten, nennt DeepMind die politische Architektur, den Einsatz von Simulationen für reale Spiele und die Fähigkeit, die Strategie in Echtzeit anzupassen.