Seminar: Agenten in simulierten Umgebungen 1 Soccer Server RoboCup Vortrag im Rahmen des Seminars: Agenten in simulierten Umgebungen

Seminar: Agenten in simulierten Umgebungen 2 Agenda 1.Einleitung 2.Architektur 3.Problemstellung der Soccergruppen 4.Fazit

Seminar: Agenten in simulierten Umgebungen 3 Agenda 1.Einleitung 1.Geschichte 2.Vorstellung 3.RoboCup Leagues 4.Simulated League

Seminar: Agenten in simulierten Umgebungen 4 Einleitung 1997: IBMs Deep Blue gewinnt gegen Schachweltmeister Garry Kasparov Autonom gesteuerter Roboter erkundet Mars Erste Fussball-Weltmeisterschaft für Roboter findet in Nagoya (Japan) statt. KI durchdringt alle Forschungsbereiche

Seminar: Agenten in simulierten Umgebungen 5 Geschichte ´92: Erste Gedanken zu Roboter-Fussball (in Kanada und Japan) ´93: Überlegung eine japanische Roboter- Fussball-Liga zu gründen, für die sich sofort viele ausländische Forscher interessieren ´95: Erste simulierte Fussballspiele bei der International Joint Conference on Artificial Intelligence (IJCAI-95)

Seminar: Agenten in simulierten Umgebungen 6 Geschichte ´96: Erster inoffizieller RoboCup mit acht Mannschaften in der Simulationsliga und einem Schaukampf für mittelgroße Roboter ´97: RoboCup I in Nagoya mit 40 teilnehmenden Teams [...] ´04: RoboCup VIII in Lissabon mit 346 Teams

Seminar: Agenten in simulierten Umgebungen 7 Geschichte 1997 Nagoya (Japan) 1998 Paris (Frankreich) 1999 Stockholm (Schweden) 2000 Melbourne (Australien) 2001 Seattle (USA) 2002 Fukuoka (Japan) 2003 Padua (Italien) 2004 Lissabon (Portugal)

Seminar: Agenten in simulierten Umgebungen 8 Vision By mid-21st century, a team of fully autonomous humanoid robot soccer players shall win the soccer game, comply with the official rule of the FIFA, against the winner of the most recent World Cup. [Kitano, 1998]

Seminar: Agenten in simulierten Umgebungen 9 RoboCup Rescue Junior Soccer

Seminar: Agenten in simulierten Umgebungen 10 Rescue League Simulation von Kastastrophen-Situationen 2 Varianten: Reale Roboter Simulated Rescue League Keine Restriktionen zur Robotergestaltung Teilweise ferngesteuert, teilweise autonom (Funkabbruch)

Seminar: Agenten in simulierten Umgebungen 11 Rescue League

Seminar: Agenten in simulierten Umgebungen 12 Junior Leagues Verschiedene Ligen: Soccer, Rescue, Dance Dient Schülern und Studenten als Einstieg in den RoboCup Kaum Restriktionen It is not whether you win or lose, but how much you learn that counts!

Seminar: Agenten in simulierten Umgebungen 13 Junior Leagues

Seminar: Agenten in simulierten Umgebungen 14 Soccer Leagues Humanoid League 4 legged League Small sized League Mid sized League E-League Simulated League

Seminar: Agenten in simulierten Umgebungen 15 Humanoid League 3 Robotergrößen: 40cm, 80cm, ab 120cm 1-6 Spieler: Feldspieler (und Torwart) Spielfeldgröße: 7,2 x 10,4 Meter Disziplinen: Auf-einem-Bein-stehen Menschlicher Gang (um Pfosten herum) Schießen Elfmeterschießen mit Torwart Fussball spielen (2 Teams, 3 vs. 3) Free Style Performance factors

Seminar: Agenten in simulierten Umgebungen 16 Human League

Seminar: Agenten in simulierten Umgebungen 17 4 legged League Nur ein Roboter-Typ: Spieleranzahl: 4 gegen 4 Spielfeldgröße: 3 x 4,5 Meter Hardware darf nicht verändert werden Kommunikation über TCP/IP (W-LAN) Programmierung über Open-R Schnittstelle

Seminar: Agenten in simulierten Umgebungen 18 4 legged League

Seminar: Agenten in simulierten Umgebungen 19 Small sized League Roboteranzahl: 5 gegen 5 Robotergröße: Grundfläche: max. 18 x 18 cm Höhe: max. 22,5 cm Spielfeldgröße: 2,4 x 2,9 Meter Eine gemeinsame Kamera über dem Spielfeld Schussapparat: schnell rotierende Rolle Remote Control über einen zentralen Rechner

Seminar: Agenten in simulierten Umgebungen 20 Small sized League

Seminar: Agenten in simulierten Umgebungen 21 Mid sized League Robotergröße: Grundfläche: mind. 30 x 30 cm, höchstens 50 x 50 cm Höhe: 40 – 80 cm Roboteranzahl: 4 gegen 4 Spielfeldgröße: 5 x 8 Meter Eigene Kamera, Rechner an Bord (autonom) Externer Rechner ohne menschlichen Eingriff erlaubt

Seminar: Agenten in simulierten Umgebungen 22 Mid sized League

Seminar: Agenten in simulierten Umgebungen 23 E-League Seit 2004 im Programm Einstiegsliga als Brücke zwischen Junior-League und der professionellen Soccer-League Roboter entsprechen denen der Small sized League Leichte Modifikationen und Restriktionen bezüglich der Komplexität um Einstieg zu erleichtern

Seminar: Agenten in simulierten Umgebungen 24 Simulated League 3 Wettbewerbe: 2d Soccer Simulation League 3d Soccer Simulation League Coach League 2 Teams mit jeweils 10 Feldspielern, 1 Torwart, Coach (optional) Spiellänge: 2 x 5 Minuten normale Fußballregeln: Abseitsregel, Rückpass- Regel, …

Seminar: Agenten in simulierten Umgebungen 25 Simulated League Spiele häufig einseitig mit eindeutigem Gewinner Beispiel: RoboCup WM 2001 in Seattle Vorrundengruppe E Gruppe E FCPortugal2001 8:0***32:09:029:0 2RoboLog2k10:8 ***24:00:011:0 3Pasargad*** 4RMIT_Goannas0:320:24*** 0:300:26 5TUT-groove0:90:0***30:0 4:0 611monkeys30:290:11***26:00:4

Seminar: Agenten in simulierten Umgebungen 26 Agenda 2.Architektur 1.Übersicht 2.Monitor 3.Client-Server-Modelle

Seminar: Agenten in simulierten Umgebungen 27 Übersicht Client/Server Architektur Kommunikation über UDP Server überwacht Welt-Modell (inkl. Referee) Monitor visualisiert Welt-Modell Jeder Spieler / Coach ein autonomer Client

Seminar: Agenten in simulierten Umgebungen 28 Übersicht

Seminar: Agenten in simulierten Umgebungen 29 Monitor Monitor stellt visuelles Interface zur Verfügung Nachrichtenaustausch über UDP Alle 100ms Nachricht vom Server Log-File-Player (meistens) integriert Zusatzinformationen zu Spieler, Ball Auswertungsmöglichkeiten (Debugging)

Seminar: Agenten in simulierten Umgebungen 30 Monitor Beispiele 2 dimensionale Monitore: Soccermonitor 3 dimensionale Monitore: Magic Box 2 (offizieller RoboCup-Monitor)

Seminar: Agenten in simulierten Umgebungen 31 Agenda 2.Architektur 1.Übersicht 2.Monitor 3.Client-Server-Modelle

Seminar: Agenten in simulierten Umgebungen 32 Agenda 3.Client-Server-Modelle a.Allgemein zum Client-Server-Modell b.Aktualisierung der Umwelt c.Positionen an den Monitor weiterleiten d.Verschicken der Sensordaten

Seminar: Agenten in simulierten Umgebungen 33 Client-Server Modell Server ist eine Plattform, auf der Teams Fußballspiele austragen können Client-Server Architektur Client meldet sich mit (init TeamName) beim Server an Kommunikation über UDP/IP Freie Gestaltung der Teams Team besteht aus höchstens 12 Clients (10 Feldspieler, 1 Torwart und 1 Coach)

Seminar: Agenten in simulierten Umgebungen 34 Anfrage nach Aktion Sensordaten Bearbeitet die Anfragen Aktualisiert die Umwelt Wertet die Sensordaten aus Entscheidet über nächste Aktion

Seminar: Agenten in simulierten Umgebungen 35 Aktionen Dash – Rennen Move – Beamen Kick – Schießen Turn – Körper drehen TurnNeck – Kopf drehen Catch – Ball fangen Say – Reden ChangeView – Sicht ändern SenseBody – SenseBody Nachricht anfragen Score – Punktestand anfragen

Seminar: Agenten in simulierten Umgebungen 36 Simulation Step (1) Real-Time-System mit diskreten Zeitintervallen (100ms) 0. Anfragen müssen beim Server vorher eingetroffen sein Durch eine schlechte Performance, können Zyklen verpasst werden 1.Aktualisierung der Umwelt (1) (Reihenfolge, in der die Anfragen bearbeitet werden ist zufällig) a)Bearbeitung der Anfragen (Beschleunigung, Drehung, Info) b)Berechnung der Bewegungen

Seminar: Agenten in simulierten Umgebungen 37 Simulation Step (2) 1.Aktualisierung der Umwelt (2) c)Berechnung der Position i.Berechnung der vorläufigen Position ii.Kollisionsbehandlung iii.Behandlung von Regelverstößen 2.Positionen an den Monitor weiterleiten 3.Verschicken der Sensordaten

Seminar: Agenten in simulierten Umgebungen 38 Agenda 3.Client-Server-Modelle a.Allgemein zum Client-Server-Modell b.Aktualisierung der Umwelt i.Bearbeitung der Anfragen ii.Berechnung der Bewegungen iii.Berechnung der Position c.Positionen an den Monitor weiterleiten d.Verschicken der Sensordaten

Seminar: Agenten in simulierten Umgebungen 39 Aktionen Dash – Rennen Move – Beamen Kick – Schießen Turn – Körper drehen TurnNeck – Kopf drehen Catch – Ball fangen Say – Reden ChangeView – Sicht ändern SenseBody – SenseBody Nachricht anfragen Score – Punktestand anfragen } Können nur einmal im Zyklus Ausgeführt werden

Seminar: Agenten in simulierten Umgebungen 40 Dash (power) Effektive Power hängt von dem power–Parameter (zwischen –100 und 100), der Leistung und der dashPowerRate [default 0.006] ab. Richtung, in die die Power ausgeübt wird, hängt von der bodyDirection des Spielers ab. Beschleunigung

Seminar: Agenten in simulierten Umgebungen 41 Stamina (Ausdauer / Durchhaltevermögen) Maximal am Anfang und nach der Halbzeit Dash reduziert Stamina Vorwärtslaufen: Stamina – Power Rückwärtslaufen: Stamina – 2*Power In jedem Zyklus wird etwas von der Stamina zurückgewonnen Die Stamina bestimmt den Effort

Seminar: Agenten in simulierten Umgebungen 42 Move (X, Y) Spieler kann exakt an eine Position gestellt werden Kostet keine Stamina Unterliegt keinen Unschärfen Feldspieler Voraussetzung: Play-Mode = beforeKickOff, goal Kann so lange ausgeführt werden, bis sich der Play-Mode ändert Torwart Voraussetzung: Ball im Strafraum gefangen Kann maximal goalieMaxMoves ausgeführt werden

Seminar: Agenten in simulierten Umgebungen 43 Kick (power, direction) (1) Voraussetzung: Ball ist in der kickableMargin [default 0.7] Während einer Runde können mehrere Spieler den Ball schießen Effektive Power hängt von dem power–Parameter (zwischen –100 und 100), dem relativen Winkel des Spielers zum Ball, der Distanz zwischen Spieler und Ball und der kickPowerRate [default 0.027] ab

Seminar: Agenten in simulierten Umgebungen 44 Kick (power,direction) (2) Richtung, in die die Power ausgeübt wird, hängt von dem direction-Parameter (zwischen –180 und 180) und dem relativen Winkel des Spielers zum Ball ab. Beschleunigung Ein guter Schuss kann den Ball bis zu einer Distanz von 45 schießen Nach 15 Runden Distanz: 27 / Restgeschwindigkeit: ca. 1 Nach 53 Runden Distanz: 43 / Restgeschwindigkeit: ca. 0.1

Seminar: Agenten in simulierten Umgebungen 45 Turn (moment) Effektive Drehung hängt von dem moment–Parameter (zwischen –180 und 180), dem Trägheitsmoment [default 5] und der aktuellen Geschwindigkeit des Spielers ab.

Seminar: Agenten in simulierten Umgebungen 46 TurnNeck (angle) HeadDirection ist relativ zum Körper Sichtwinkel kann sich durch Turn oder TurnNeck ändern Der Kopf kann maximal bis zu einer headDirection von +90° oder –90° gedreht werden. TurnNeck kann mit Dash, Kick oder Turn ausgeführt werden

Seminar: Agenten in simulierten Umgebungen 47 Catch (direction) Torwart kann in jeder Richtung den Ball mit einer catchProbability fangen Voraussetzung: Ball ist in der catchableArea und Torwart ist im Strafraum Fangversuch Missglückt Torwart muss 5 Zyklen warten, bis er es erneut versuchen kann Geglückt Torwart kann zu einer geeigneten Position moven und den Ball abspielen

Seminar: Agenten in simulierten Umgebungen 48 Agenda 3.Client-Server-Modelle a.Allgemein zum Client-Server-Modell b.Aktualisierung der Umwelt i.Bearbeitung der Anfragen ii.Berechnung der Bewegungen iii.Berechnung der Position c.Positionen an den Monitor weiterleiten d.Verschicken der Sensordaten

Seminar: Agenten in simulierten Umgebungen 49 Berechnung der Bewegung Geschwindigkeit = alte Geschwindigkeit* Dämpfungsfaktor * zufällige Verfälschung + Beschleunigung

Seminar: Agenten in simulierten Umgebungen 50 Agenda 3.Client-Server-Modelle a.Allgemein zum Client-Server-Modell b.Aktualisierung der Umwelt i.Bearbeitung der Anfragen ii.Berechnung der Bewegungen iii.Berechnung der Position c.Positionen an den Monitor weiterleiten d.Verschicken der Sensordaten

Seminar: Agenten in simulierten Umgebungen 51 Berechnung der Position Kollisionsbehandlung: wenn am Ende der Berechnung zwei Objekte überlappen 1.Objekte so positioniert, dass sie sich nicht überlappen 2.Bewegung mit – 0.1 multipliziert Behandlung von Regelverstößen: wenn die Position gegen eine Regel verstößt Schiedsrichter weist eine neue Position zu Position = alte Position + Geschwindigkeit Vorläufigen Position:

Seminar: Agenten in simulierten Umgebungen 52 Agenda 3.Client-Server-Modelle a.Allgemein zum Client-Server-Modell b.Aktualisierung der Umwelt c.Positionen an den Monitor weiterleiten d.Verschicken der Sensordaten

Seminar: Agenten in simulierten Umgebungen 53 Agenda 3.Client-Server-Modelle a.Allgemein zum Client-Server-Modell b.Aktualisierung der Umwelt c.Positionen an den Monitor weiterleiten d.Verschicken der Sensordaten i.Body Sensor Modell ii.Visual Sensor Modell iii.Aural Sensor Modell

Seminar: Agenten in simulierten Umgebungen 54 SenseBody (sense body Time (view mode ViewQuality ViewWidth) (stamina Stamina Effort) (speed AmountOfSpeed DirectionOfSpeed) (head angle HeadDirection) (kick KickCount) (dash DashCount) (turn TurnCount) (say SayCount) (turn neck TurnNeckCount) (catch CatchCount) (move MoveCount) (change view ChangeViewCount)) SenseBody – Nachrichten werden a)in jedem Zyklus b)nach Anfrage empfangen

Seminar: Agenten in simulierten Umgebungen 55 Agenda 3.Client-Server-Modelle a.Allgemein zum Client-Server-Modell b.Aktualisierung der Umwelt c.Positionen an den Monitor weiterleiten d.Verschicken der Sensordaten i.Body Sensor Modell ii.Visual Sensor Modell iii.Aural Sensor Modell

Seminar: Agenten in simulierten Umgebungen 56 Visual Sensor Visual Sensor des Spielers erfasst visuelle Informationen über das Spielfeld z.B. Distanz und Richtung zu verschiedenen Objekten im aktuellen Sichtfeld des Spielers (Agenten) fungiert zusätzlich als Umgebungssensor, indem er Objekte erkennt, die nicht im Sichtbereich, aber direkt am Spieler stehen hierbei aber: nur unvollständige Informationen!

Das Spielfeld x := -52,5 ~ +52,5 (105 m) y := -34 ~ +34 (68 m) 5 m f g r b

Seminar: Agenten in simulierten Umgebungen 58 Visual Sensor Model visuelle Informationen werden dem Spieler automatisch mit Hilfe von see -Nachrichten jeden sense_step geschickt (default: 150 ms) Nachrichten für die visuellen Informationen haben das Standardformat: (see ObjName Distance Direction DistChng DirChng BodyDir HeadDir)

Seminar: Agenten in simulierten Umgebungen 59 Parameter der see -Nachricht (see ObjName Distance Direction [DistChng DirChng [BodyDir HeadDir]]) ObjName:(g [l|r]) | (f [l|c|r] [t|b]) | (p (Teamname UniformNumber …)) |… Distance:euklidische Distanz Direction:Richtung des Objekts relativ zur Blickrichtung Wenn es ein bewegliches Objekt ist, zusätzlich: DistChng:Distanzveränderung DirChng:Richtungsveränderung Wenn das bewegliche Objekt ein anderer Spieler ist, zusätzlich: BodyDir:Richtung des Körpers relativ zum eigenen Körper HeadDir:Richtung des Kopfes relativ zum eigenen Kopf

Seminar: Agenten in simulierten Umgebungen 60 Beispiel einer see -Message (see 0 ((f r t) ) ((f r b) ) ((f g r b) ) ((g r) )…) [***DebugMsg*** flag: time:0 name:f r t distance:90.0 direction:-39.0] [***DebugMsg*** flag: time:0 name:f r b distance:73.7 direction:9.0] [***DebugMsg*** flag: time:0 name:f g r b distance:73.7 direction:-12.0] [***DebugMsg*** Tor: time:0 name:g r distance:75.2 direction:-17.0] …

Seminar: Agenten in simulierten Umgebungen 61 Wahrnehmung des Spielers Sichtfeld ( view_angle ) und Wahrnehmungsfrequenz ( view_frequency ) können beeinflusst werden durch: (change_view Width Quality) Width:narrow | normal | wide Quality:high | low Sichtfeld: 45° | 90° | 180° Wahrnehmungsfrequenz steigt mit niedrigerer Qualität und kleinerem Sichtfeld

Seminar: Agenten in simulierten Umgebungen 62 Informationsmenge Die Informationsmenge über andere Spieler hängt von der Entfernung (und dem Sichtfeld;-) ab: dist unum_far_length[default: 20] Trikotnummer und Teamname sichtbar unum_far_lenght dist unum_too_far_lenght [default: 40] Teamname immer sichtbar, Wahrscheinlichkeit der Trikotnummer-Sichtbarkeit nimmt bei steigender dist linear ab dist unum_too_far_length Trikotnummer nicht sichtbar dist team_far_length…

Beispiel zur Informationsmenge

Seminar: Agenten in simulierten Umgebungen 64 Visual Sensor Noise Model (Störungsmodell) Spieler weiß die Entfernung eines gesehenen Objektes nie genau Störung wird mit zunehmender Entfernung größer bis zu 10% Fehler bei der übermittelten Entfernung tendenzielle Überschätzung

Seminar: Agenten in simulierten Umgebungen 65 Agenda 3.Client-Server-Modelle a.Allgemein zum Client-Server-Modell b.Aktualisierung der Umwelt c.Positionen an den Monitor weiterleiten d.Verschicken der Sensordaten i.Body Sensor Modell ii.Visual Sensor Modell iii.Aural Sensor Modell

Seminar: Agenten in simulierten Umgebungen 66 Aural Sensor empfängt Nachrichten vom Schiedsrichter, den Trainern und den anderen Spielern Nachrichten werden durch den say -Befehl gebroadcastet Nachrichten werden sofort empfangen

Seminar: Agenten in simulierten Umgebungen 67 hear -Message (hear Time Sender Message) time: aktueller Zyklus Sender : relative Richtung des Senders | self | referee | online_coach_left | online_coach_right Message: String mit maximale Länge say_msg_size [default: 512 bytes]

Seminar: Agenten in simulierten Umgebungen 68 Nachrichten der Spieler/Coaches (1) Reichweite Übermittlung einer Nachricht nur an Spieler innerhalb von audio_cut_dist [default: 50.0] Meter Aufnahmekapazität [ hear_max, default: 2] Aufnahme, wenn Kapazität Empfangskosten hear_decay [default: 2] jede Runde wird hear_inc [default: 1] Kapazität regeneriert alle zwei Runden eine Nachricht pro Team

Seminar: Agenten in simulierten Umgebungen 69 Nachrichten der Spieler/Coaches (2) separate Kapazitäten für jedes Team, um Überladen der Kapazitäten durch das andere Team zu vermeiden erreichen mehr Nachrichten zur gleichen Zeit einen Spieler, als er aufnehmen kann, ist der Inhalt undefiniert

Seminar: Agenten in simulierten Umgebungen 70 Nachrichten des Schiedsrichters – Play Modes before_kick_off play_on time_over kick_off_Side kick_in_Side free_kick_Side goal_Side corner_kick_Side offside_Side …

Seminar: Agenten in simulierten Umgebungen 71 Nachrichten des Schiedsrichters –Messages goal_Side_n kick_off_OSide foul_Side free_kick_OSide time_up time_over half_time before_kick_off … Nachrichten des Schiedsrichters kommen immer bei allen Spielern an

Seminar: Agenten in simulierten Umgebungen 72 Agenda 3.Problemstellung der Soccer-Gruppen 1.Herausforderungen 2.Vorführung eines SimpleClients

Seminar: Agenten in simulierten Umgebungen 73 Herausforderungen Entwicklung der Intelligenz einer SoccerServer- Mannschaft Unterteilung der Herausforderungen in vier Teilprobleme: Wahrnehmung Aktionsrunden Parallelität Planung/Taktik

Seminar: Agenten in simulierten Umgebungen 74 Teilproblem Wahrnehmung Analyse der Sensordaten: Parsen der Nachrichten und die damit verbunden Folgeinterpretation programminterne Repräsentation der Informationen größte Teilprobleme: wo bin ich? (eigene Position auf dem Spielfeld ist dem Spieler nicht bekannt) Ballbesitz unbekannt

Seminar: Agenten in simulierten Umgebungen 75 Teilproblem Aktionsrunde generieren der Kommandos unter Berücksichtung möglichst aktueller Umweltinformationen ( Synchronisation) Vermeiden von holes (Nichtnutzung einer Handlungsmöglichkeit) Vermeidung von clashes (serverseitige zufällige Auswahl aus den erhaltenen Kommandos des letzten Zyklus)

Seminar: Agenten in simulierten Umgebungen 76 Teilproblem Parallelität serverseitige asynchrone Berechnung von Sensordaten und Kommandos deshalb: parallele Ausführung von Wahrnehmungsprozess (Verarbeitung des Sensornachrichten) Aktionsprozess (Vorbereiten der nächsten Aktion)

Seminar: Agenten in simulierten Umgebungen 77 Teilproblem Planung/Taktik die Kür!!! Entwicklung eines Gesamtkonzeptes für das Team (mehr als: Ball rund muss in Tor eckig!) Antizipation nachfolgender Spielsituationen Unterprobleme: Optimale Nutzung der 100ms-Zyklen Heuristiken für z.B. Schussverhalten aufstellen

Seminar: Agenten in simulierten Umgebungen 78 Agenda 3.Problemstellung der Soccer-Gruppen 1.Herausforderungen 2.Vorführung eines SimpleClients

Seminar: Agenten in simulierten Umgebungen 79 Vorführung eines SimpleClients Implementierung des SimpleClients: Ball und Tor suchen (und hoffentlich finden) in Richtung des Balles drehen zum Ball hinrennen auf das rechte Tor schießen

Seminar: Agenten in simulierten Umgebungen 80 Agenda 3.Problemstellung der Soccer-Gruppen 4.Fazit

Seminar: Agenten in simulierten Umgebungen 81 Fazit Probleme: Performance Konkurrierende Entwicklergemeinde Schlechte Dokumentation Noch geringes Interesse der Öffentlichkeit (Deadlinks, fehlende Aktualität) Fehlersuche (Debugging)

Seminar: Agenten in simulierten Umgebungen 82 Fazit Chancen: Möglichkeit, spielerisch komplexe Gebiete der Informatik zu erschließen Wachsendes Interesse in der Öffentlichkeit Agenten-Implementierung programmiersprachen- unabhängig Gute Verzahnung von Forschung und Wirtschaft (z.B. Sony, sgi, …)

Seminar: Agenten in simulierten Umgebungen 83 Fragen? Und nicht vergessen Juli 2005: RoboCup in Osaka Juni 2006:RoboCup in Bremen(!)