{"id":19452,"date":"2026-06-20T19:02:37","date_gmt":"2026-06-20T17:02:37","guid":{"rendered":"https:\/\/nordnesrepublikken.no\/index.php\/2026\/06\/20\/en-uslaelig-lufthockeyrobot-utfordrer-mennesker-i-det-virkelige-liv-hvordan-ai-laerte-a-spille\/"},"modified":"2026-06-20T19:02:40","modified_gmt":"2026-06-20T17:02:40","slug":"en-uslaelig-lufthockeyrobot-utfordrer-mennesker-i-det-virkelige-liv-hvordan-ai-laerte-a-spille","status":"publish","type":"post","link":"https:\/\/nordnesrepublikken.no\/index.php\/2026\/06\/20\/en-uslaelig-lufthockeyrobot-utfordrer-mennesker-i-det-virkelige-liv-hvordan-ai-laerte-a-spille\/","title":{"rendered":"En usl\u00e5elig lufthockeyrobot utfordrer mennesker i det virkelige liv: hvordan AI l\u00e6rte \u00e5 spille"},"content":{"rendered":"
\n
\n
<\/source><\/source><\/picture><\/figure>\n<\/p><\/div>\n

Et spillebord, en plate som suser i full fart over et spillebord lufthockey<\/strong> og en robotarm som spiller som en proff. Tre ingeni\u00f8rfysikkstudenter fraUBC<\/strong> (University of British Columbia<\/em>) har lyktes med en bragd som potensielt kan redefiner hvordan roboter trenes<\/strong>. De tre unge forskerne skapte en AI-drevet lufthockeyrobot<\/strong> i stand til \u00e5 utfordre og sl\u00e5 mennesker, til tross for at de har l\u00e6rt \u00e5 spille utelukkende innenfor en virtuell simulering<\/strong>.<\/p>\n

Generelt, for \u00e5 l\u00e6re et robotsystem \u00e5 utf\u00f8re komplekse bevegelser i den fysiske verden, brukes metoden for pr\u00f8ving og feiling direkte i felten. Denne klassiske tiln\u00e6rmingen, selv om den er gyldig, inneb\u00e6rer et enormt sl\u00f8sing med tid og den reelle risikoen for \u00e5 slite ut eller \u00f8delegge de mekaniske komponentene p\u00e5 grunn av kontinuerlige f\u00f8rste feil. Kanadiske forskere har imidlertid omg\u00e5tt problemet overf\u00f8re hele l\u00e6ringsfasen til det virtuelle rommet<\/strong>utvikle en «digital tvilling», det vil si en sv\u00e6rt detaljert digital kopi av det virkelige bordet, der algoritmen var i stand til \u00e5 spille millioner av spill og gj\u00f8re uendelige feil uten \u00e5 lide noen materiell skade.<\/p>\n

N\u00e5r denne simulerte studieveien var fullf\u00f8rt, ble den virtuelle hjernen kopiert og overf\u00f8rt til den mekaniske kroppen til roboten. Resultatet er interessant: fra f\u00f8rste \u00f8yeblikk viste maskinen seg \u00e5 v\u00e6re umiddelbart klar til \u00e5 konkurrere, og demonstrerte ekstraordin\u00e6r effektivitet mot ekte motstandere og \u00e5pnet nye grenser for trening av fremtidens autonome systemer.<\/p>\n

Hvordan roboten ble trent<\/h2>\n

Men hvordan forbereder du programvare for \u00e5 h\u00e5ndtere den kaotiske virkeligheten til et airhockeyspill uten at det noen gang ber\u00f8rer et ekte airhockeybord? Denne sporten er en reell utfordring for roboter, siden skiven beveger seg i sv\u00e6rt h\u00f8ye hastigheter, spretter uforutsigbart og p\u00e5virkes av minimale variasjoner for\u00e5rsaket av st\u00f8t med bankene eller med spillknappen. I den fysiske virkeligheten spiller dessuten komplekse tekniske hindringer inn som latens (dvs. tidsforsinkelsen som data passerer med fra kameraet til motoren), mikrovibrasjoner i strukturen og sm\u00e5 fall i elektrisk spenning.<\/p>\n

For \u00e5 overvinne disse barrierene, vedtok UBC-teamet en kontraintuitiv strategi: de utformet en med vilje ufullkommen virtuelt milj\u00f8<\/strong>. Gjennom en teknikk kalt «domene randomisering»<\/strong>la studentene inn forstyrrende elementer som uregelmessige sider, lett deformerte bord og sprette anomalier i simuleringen. Dette tillot den kunstige intelligensen \u00e5 ikke stole p\u00e5 stive og perfekte geometriske beregninger, men \u00e5 l\u00e6re \u00e5 forutsi en omtrentlig bane for pucken, og forberede seg p\u00e5 \u00e5 h\u00e5ndtere det uventede n\u00f8yaktig slik en menneskelig spiller ville gjort.<\/p>\n

For \u00e5 gj\u00f8re l\u00e6ringen rask og effektiv, unngikk forskerne klassiske kommersielle grafikkmotorer og implementerte en avansert algoritme basert p\u00e5 den «myke skuespiller-kritiker»-mekanismen<\/strong>. Systemet tilh\u00f8rer familien av forsterkende l\u00e6ring<\/em>en teknikk der algoritmen l\u00e6rer ved \u00e5 motta bel\u00f8nninger n\u00e5r den tar gode beslutninger og ble designet for \u00e5 maksimere ytelsen uten \u00e5 gi opp eksperimentering med nye strategier.<\/p>\n

For \u00e5 materialisere alt dette i den fysiske verden, var det virkelige bordet utstyrt med en kamera plassert ovenfra<\/strong> og a skive dekket med refleksb\u00e5nd<\/strong>et materiale som er i stand til \u00e5 sende lys direkte tilbake mot kilden som sender det ut, slik at det elektroniske \u00f8yet kan spore bevegelser ved 120 bilder per sekund<\/strong>.<\/p>\n

\n
\"Bilde\"<\/source><\/source><\/picture><\/figure>\n<\/p><\/div>\n

Du kan sette pris p\u00e5 resultatet av \u00e5 bruke dette systemet fra f\u00f8lgende video.<\/p>\n