Skip to content

Neural Network Cars

Künstliche Intelligenz (modern)

Lernende Autos ​

Simulation wird geladen …
Gen: 1Lebend: 0/50Zeit: 0/3600Bester Score: 0Rekord: 0

Im Auto-Modus startet die nächste Generation von selbst, sobald alle Autos kollidiert sind oder die Zeit abgelaufen ist.

Dies ist die JavaScript-Umsetzung des Python-Projekts
Neural-Network-Cars
(Original siehe Neuronale Netze). Jedes Auto besitzt ein
kleines Neuronales Netz, das pro Bildschirmschritt aus sechs Eingaben vier
Aktionen ableitet.

Das Neuronale Netz ​

EingangBedeutung
d1Abstand zur nächsten Wand geradeaus
d2,d3Abstand nach schräg rechts / links (± 45°)
d4,d5Abstand zur Seite (± 90°)
vAktuelle Geschwindigkeit

Die Abstände sind auf 0…1 normalisiert (volle Reichweite = 300 Pixel).

Evolution statt Backpropagation ​

Das Netz wird nicht über Fehler-Rückpflanzung trainiert, sondern evolutionär:

  1. Bewertung: Jedes Auto sammelt Punkte – pro Schritt seine Geschwindigkeit. Wer die Wand berührt, ist tot; der Score bleibt erhalten.
  2. Selektion:
    • Auto-Modus: Sind alle Autos tot (oder die Generationszeit abgelaufen), werden die besten Genome automatisch gekreuzt.
    • Manueller Modus (wie im Original): Du wählst bis zu zwei Autos an (tote bleiben liegen und sind auch nach dem Crash auswählbar) und drückst Züchten.
  3. Crossover & Mutation: Das Genom der Nachkommen besteht abwechselnd aus Genen der beiden Eltern; mit der eingestellten Wahrscheinlichkeit werden einzelne Gene verändert (skaliert oder verschoben).

Das beste Genom überlebt jeweils unverändert als Elite – sonst könnte die
Evolution Fortschritte wieder «vergessen».

Beobachten ​

  • Bewege die Maus über ein Auto: seine fünf Sensorstrahlen und die aktuellen
    Aktivierungen der Ausgaben werden hervorgehoben.
  • Unter der Steuerung zeigt eine SVG-Ansicht das Neuronale Netz: beim
    überfahrenen Auto, sonst vom besten lebenden Auto. Die Knotenfarbe zeigt die
    Aktivierung (ausgelöste Aktionen haben einen dunkelgrünen Rand), die Kanten
    die Gewichte – grün = positiv, rot = negativ, Dicke und Deckkraft = Betrag.
  • Mit Tempo beschleunigst du die Simulation (Schritte pro Bild).
  • Alle töten beendet die Generation sofort – praktisch, wenn alle Autos
    brav im Kreis fahren.

Aufgabe

  1. Starte die Simulation im Auto-Modus und beobachte mehrere Generationen. Was passiert in den ersten Generationen? Warum «verhungern» viele Autos sofort?
  2. Spiele mit der Mutationsrate. Was bewirkt ein sehr hoher, was ein sehr tiefer Wert?
  3. Schalte auf den manuellen Modus und züchte selbst: Welche Strategie ist schwieriger – Auto oder manuell?
  4. Wechsle auf «Oval» oder «S-Kurve»: Merken sich die Autos etwas von der Strecke, oder müssen sie bei jeder Generations-Konfiguration neu lernen?

Aufgaben vertiefend (optional) ​

Aufgabe

Öffne die DevTools und schaue dir die Dateien im Ordner neural-cars/engine/ an:

  • Wo steckt die Sigmoid-Funktion?
  • Wie gross sind Eingabe-, versteckte und Ausgabeschicht (NN_SIZES)?
  • Was passiert im mutate()-Aufruf?

Gymnasium Kirchenfeld, fts & ros