Zum Inhalt

Unit 0 — Setup & Erster Start

Kursstartseite

Zeit

Lesen: ~20 min · Training: ~15 min GPU / ~1 Std CPU

Installiere den Godot-.NET-Editor, die Python-Toolchain und das godot-rl-agents-Plugin. Starte deine erste Trainingssitzung mit dem BallChase-Beispiel und bestätige, dass der Godot ↔ Python Socket funktioniert.

Erster Erfolg (eine Sitzung)

  1. Godot — Akteur (agent) bewegt sich (gdrl --viz + Szene abspielen)
  2. Python — Terminal zeigt Steps; ep_rew_mean steigt
  3. TensorBoard (optional) — tensorboard --logdir=logs zeigt eine Kurve
  4. Neuronale Grundlagen — du wirst sichtbare Neuronen bauen, bevor die RL-Schleife beginnt

Drei Wege, deine KI zu beobachten (jede Einheit)

Godot-Verhalten · TensorBoard-Kurven · was du in AIController änderst

Wenig Zeit?

Folge dem Erster-Abend-Skript (~2½–3 Std.), um Unit 0 abzuschließen und Neuronale Grundlagen 1 in einer Sitzung zu beginnen.

1 · Geteilte Architektur (split architecture)

Zwei Laufzeitumgebungen kommunizieren über einen lokalen Socket — Godot sendet Beobachtungen (observations) und empfängt Aktionen (actions); Python führt die Trainingsschleife aus.

Godot Spielprozess Szene · Physik · Belohnungen Sync-Node (Plugin, C#) Python Trainingsprozess godot-rl-Wrapper SB3 — PPO- / DQN-Training Beobachtung + Belohnung Aktionen lokaler Socket · Port 11008 nach dem Training: der Sync-Node lädt die exportierte ONNX-Datei — kein Python zur Laufzeit (siehe §5)
Komponente Rolle Laufzeit
Godot Physik, Beobachtungen, Belohnungen Godot 4 .NET + GDScript
Plugin (C#) Sync-Node, ONNX-Bridge .NET / MSBuild
Python PPO / DQN Training (SB3) Conda, Python 3.10

Godot-.NET-Edition erforderlich

Die Standard-Godot-Version kann die C#- / NuGet-Abhängigkeiten des Plugins nicht laden. Lade die .NET-Version von godotengine.org herunter und installiere das .NET SDK.

2 · Conda-Umgebung

Zum ersten Mal hier?

Vollständige Installationsanweisungen — Miniconda, godot_env und das Godot-Plugin — findest du unter Setup. Schließe diese Seite zuerst ab und komme dann hierher zurück.

Kurze Erinnerung für jedes neue Terminal:

conda activate godot_env

3 · Godot-Projekt & Plugin

Die Trainingsumgebungen stammen aus dem separaten Repo godot_rl_agents_examples — nicht aus dem examples/-Ordner des Kurs-Repos. Klone es neben das Kurs-Repo:

cd ..   # aus godot-rl-course heraus
git clone https://github.com/edbeeching/godot_rl_agents_examples.git

Kein git? Nutze Code → Download ZIP auf github.com/edbeeching/godot_rl_agents_examples und entpacke das Archiv neben dem Kurs-Repo.

Danach:

  1. Godot → Import → navigiere zu godot_rl_agents_examples/examples/BallChase/project.godot
  2. Projekt → Projekteinstellungen → Plugins → aktiviere Godot RL Agents
  3. Warte, bis MSBuild fertig ist

4 · Erster Trainingslauf

Im Editor

Terminal 1 — Python-Listener starten:

gdrl --experiment_name=BallChase_Mac --viz \
  --save_model_path=ballchase_brain \
  --onnx_export_path=ballchase_brain.onnx

Warte auf "Waiting for connection from Godot…"

Terminal 2 optional: tensorboard --logdir=logs

Godot — öffne die Trainingsszene, drücke F6 (Szene abspielen). Der Akteur sollte sich verbinden und lernen.

Erfolgskriterien

Akteur in Godot sichtbar; Episoden-Belohnung steigt; keine Socket-Fehler; TensorBoard-Kurve optional, aber empfohlen.

5 · Trainingsmodi für diesen Kurs

Phase Einheiten Standard
Erkunden 0–2 Editor oder --viz — Physik- und Belohnungsfehler sichtbar machen
Skalieren 3–8 Exportiertes Binary + --headless — schnellere Rollouts
Veröffentlichen 9–10 ONNX im Sync-Node — kein Python zur Laufzeit

ONNX-Vorschau (optional)

Kopiere nach dem Training ballchase_brain.onnx in das Godot-Projekt. Am Sync-Node: Control Mode → ONNX Inference, ONNX Model Path setzen. Szene abspielen — der Akteur läuft ohne Python.

Erster-Abend-Skript (~2½–3 Stunden)

Eine Sitzung: Tooling funktioniert, Akteur lernt, du änderst eine Belohnung. Die Zeiten sind Richtwerte — Installationsschritte variieren je nach Rechner.

Block Zeit Aufgabe Fertig wenn
1 · Installieren 45–75 Min Abschnitt 2 — Miniconda installieren → godot_env erstellen → pip install
Abschnitt 3 — Examples-Repo klonen, BallChase in Godot öffnen		 import godot_rl gibt ok aus; BallChase-Projekt öffnet sich mit aktiviertem Plugin
2 · Erster Trainingslauf 30–45 Min Abschnitt 4 — gdrl --viz + Godot F6
Zweites Terminal: tensorboard --logdir=logs		 Akteur bewegt sich; ep_rew_mean steigt; keine Socket-Fehler
3 · Grundlagen 1 beginnen 45–60 Min Öffne Neuronale Grundlagen 1
Abschnitt 1 lesen (was ein Neuron berechnet), dann die Handrechnung in Abschnitt 2 vorhersagen (~15 Min) → Research-Plot oder Godot-Jumper-Szene starten
Während des Erkundens: Abschnitte 3–4 lesen		 Du kannst jeden Beitrag, die gewichtete Summe und den Aktivierungswert benennen

Minimales Befehls-Spickzettel (Block 2)

conda activate godot_env
tensorboard --logdir=logs &

gdrl --experiment_name=evening_ballchase --viz \
  --save_model_path=ballchase_brain \
  --onnx_export_path=ballchase_brain.onnx

# Godot: BallChase-Trainingsszene → F6 (Szene abspielen)

Checkliste zum Abend

  • [ ] Godot — Akteur in Aktion gesehen
  • [ ] Python — Training ohne Verbindungsfehler durchgelaufen
  • [ ] TensorBoard — mindestens einmal geöffnet (localhost:6006)
  • [ ] Code — einen Neuron-Forward-Pass-Test oder ein visuelles Beispiel ausgeführt

Morgen: Grundlagen 1–2 abschließen, dann RL Essentials (BallChase-Belohnung anpassen) und Unit 2 Phase A (SimpleReachGoal).

Nicht weitergekommen?

Die häufigsten Hindernisse am ersten Abend: falsche Godot-Version (du benötigst .NET), Plugin nicht aktiviert, Python vor Godot F6 gestartet, oder Firewall blockiert den localhost-Socket. Lies Abschnitt 1 erneut, wenn die geteilte Architektur unklar ist.

Stretch Goals

Das exportierte ONNX inspizieren. Öffne ballchase_brain.onnx in Netron (ziehe die Datei in den Browser-Tab — keine Installation). Identifiziere die Form des Eingabetensors, die Form des Ausgabetensors und die Aktivierung zwischen den Schichten. Das ist die Datei, die Godot zur Inferenzzeit in Phase 3 lädt — zu wissen, was darin steckt, zahlt sich in Unit 9 aus.

Ein zweites Beispiel aus dem Repo ausprobieren. Öffne examples/JumperHard in Godot, führe eine kurze gdrl --viz-Sitzung aus und vergleiche die Belohnungskurven in TensorBoard. Das Ziel ist nicht, es gut zu trainieren — es geht darum, zu bestätigen, dass deine Installation mehr als eine Umgebung verarbeitet.

Wie geht es weiter?

Das Tooling funktioniert. In Neuronale Grundlagen 1 baust du ein sichtbares Neuron und verbindest Netze später mit der RL-Schleife.

Dazwischen liegen zwei optionale Auffrischungen: Mathe-Grundlagen 1 behandelt Vektoren und Skalarprodukt, Mathe-Grundlagen 2 Wahrscheinlichkeit und Erwartungswert. Überspringe sie, wenn dir das Rechnen in Neuronale Grundlagen 1 leichtfällt, und komm zurück, sobald die Notation einer späteren Einheit nicht mehr aufgeht.

→ Mathe-Grundlagen 1 · direkt zu Neuronale Grundlagen 1