${\textrm{\color{green}Bachelorarbeit-Demo}}$

Dieses Repository enthält eine ${\textrm{\color{orange}aufbereitete Demo-Version}}$ des Unity-Projekts, das meine Bachelorarbeit zum Thema Reinforcement Learning in Unity begleitet. Es dient als kompakte, exemplarische Darstellung der wichtigsten Bestandteile.

⚠️Hinweis: Im Vergleich zur Originalversion der Bachelorarbeit wurden größere Teile des ursprünglichen Codes und einige Komponenten entfernt oder vereinfacht. Die Demo konzentriert sich auf die wesentlichen Mechaniken des trainierten ML-Agenten und wurde um ein Menü und UI erweitert.

Das Readme selbst stellt eine kurze, kompakte Zusammenfassung der schriflichten Bachelorarbeit dar.

${\textrm{\color{red}1. Projektübersicht und Struktur }}$

• Bachelorarbeit.md
  Kompakte, textuelle Zusammenfassung der schriflichten Bachelorarbeit.

• Dokumente
  Enthält ergänzende Dokumente wie Installations- und Trainingsanleitungen sowie weitere Materialien zur Bachelorarbeit.

  • How_To_Train.md
  • How_To_Install.md

• Assets
  Unity-Assets, Szenen, Skripte und Prefabs des Demo-Projekts.

• config
  Konfigurationsdateien für das Training mit dem Unity ML-Agents Toolkit (z. B. YAML-Configs).

• results
  Trainingsergebnisse, Log-Dateien und TensorBoard-Daten der verschiedenen Trainingsläufe.

${\textrm{\color{red}2. Demo-Build starten}}$

1. Passenden Build auf der GitHub-Release-Seite herunterladen

   • Wechsle im Repository auf den Reiter Releases .
   • Wähle den Build für dein Betriebssystem: Windows, Linux oder macOS.

2. Archiv entpacken

   • Das heruntergeladene ZIP/Archiv in einen beliebigen Ordner entpacken.

3. Demo starten

   • Die passende ausführbare Datei für dein System starten (z. B. .exe unter Windows).
   • Es öffnet sich das Demo-Spiel mit dem trainierten Agenten.

${\textrm{\color{red}3. Steuerung der Demo }}$

${\textrm{\color{lightgreen}3.1 Allgemeine Steuerung}}$

• Pause Menü öffnen: Tab

${\textrm{\color{lightgreen}3.2 Steuerung im "Watch AI"-Modus}}$

• Der trainierte ML-Agent steuert die Spielfigur vollständig autonom.

• Du beobachtest, wie der Agent die Parkour-Level absolviert, Hindernissen ausweicht und Checkpoints bzw. Ziele erreicht.

• Dieser Modus dient vor allem zur Demonstration des erlernten Verhaltens und zur qualitativen Bewertung der Agentenleistung.

• Kamera bewegen: W, A, S, D

• Hoch: Space

• Runter: Left Control

• Speed: Left Shift

${\textrm{\color{lightgreen}3.3 Steuerung im "Play by yourself"-Modus}}$

• Die Spielfigur wird vollständig manuell über Tastatureingaben gesteuert.

• Du kannst dieselben Level wie der Agent spielen und dein eigenes Verhalten mit dem des Agenten vergleichen.

• Eignet sich, um ein Gefühl für den Schwierigkeitsgrad der Level und für die vom Agenten erlernten Strategien zu bekommen.

• Bewegen: W, A, S, D

• Springen: Space

• Rennen: Left Shift