Wie die KI in Neuro Racer fahren lernt
Ratgeber · Stand: 22. Oktober 2026
In Neuro Racer lernen Autos, eine selbst gezeichnete Strecke zu fahren – ohne dass ihnen jemand erklärt, was eine Kurve ist. Dahinter steckt ein Verfahren namens Neuroevolution. In diesem Artikel erklären wir Schritt für Schritt, was dabei passiert, und warum man es in Neuro Racer so gut beobachten kann.
Das Gehirn: ein winziges neuronales Netz
Jedes Auto hat ein kleines neuronales Netz. Das klingt nach Hochtechnologie, ist aber im Kern eine Rechenvorschrift: Ein paar Zahlen gehen hinein, werden mit Gewichten multipliziert und zusammengezählt, und ein paar Zahlen kommen heraus. Was das Netz „kann“, steckt allein in diesen Gewichten.
Hinein gehen acht Werte. Sieben davon kommen von Abstandssensoren, die fächerförmig nach vorne zeigen: geradeaus, leicht schräg, deutlich schräg und fast zur Seite, jeweils links und rechts. Jeder misst, wie weit es bis zum Streckenrand ist. Der achte Wert ist das eigene Tempo. Heraus kommen zwei Werte: wie stark gelenkt wird und ob Gas gegeben oder gebremst wird.
Dazwischen liegt eine sogenannte verborgene Schicht aus 4 bis 16 Neuronen – in Neuro Racer stellst du die Zahl selbst ein. Jedes Neuron rechnet aus allen acht Eingängen einen Zwischenwert, und aus diesen Zwischenwerten entstehen die beiden Ausgaben. Mit acht Neuronen hat ein Netz knapp hundert Gewichte. Mehr braucht es nicht, um eine Strecke zu fahren.
Am Anfang: reiner Zufall
Zu Beginn bekommt jedes Auto zufällige Gewichte. Manche Netze lenken einfach immer nach links, manche geben nie Gas, manche fahren schnurgerade in die Mauer. Das ist gewollt: Unter Hunderten zufälliger Netze sind immer ein paar, die zufällig etwas Sinnvolles tun – etwa leicht gegenlenken, wenn rechts die Mauer näher kommt.
Auslese: wer am weitesten kommt
Eine Generation fährt so lange, bis alle Autos ausgeschieden oder im Ziel sind oder die Zeit abläuft. Ausgeschieden ist, wer die Mauer berührt, drei Sekunden lang nicht vorankommt oder deutlich rückwärts fährt. Danach bekommt jedes Auto eine Wertung, in der Fachsprache „Fitness“: wie viel der Strecke es geschafft hat. Autos, die das Ziel erreichen, bekommen einen Bonus, der umso größer ist, je schneller sie waren.
Jetzt kommt der entscheidende Schritt. Die besten zwei Prozent werden unverändert in die nächste Generation übernommen – so geht das bisher Beste nie verloren. Alle anderen Plätze werden mit Nachkommen der besten 15 Prozent gefüllt. Je besser ein Auto war, desto öfter wird es als Elternteil gewählt.
Kreuzung und Mutation
Ein Nachkomme entsteht meist aus zwei Eltern: Für jedes Gewicht wird zufällig entschieden, ob es von Mutter oder Vater kommt. Manchmal wird auch nur ein Elternteil kopiert. Danach kommt die Mutation: Ein Teil der Gewichte wird um einen kleinen Zufallsbetrag verändert. Wie groß dieser Teil ist, bestimmt die Mutationsrate, die du zwischen 1 und 40 Prozent einstellen kannst.
Kreuzung kombiniert, was schon funktioniert. Mutation probiert Neues aus. Beides zusammen sorgt dafür, dass jede Generation ein bisschen besser fahren kann als die vorige – nicht weil jemand die Netze verbessert, sondern weil sich durchsetzt, was zufällig besser funktioniert.
Warum das ohne „Lernen“ im üblichen Sinn funktioniert
Viele KI-Systeme lernen mit einem Verfahren namens Gradientenabstieg: Sie bekommen für jede Entscheidung gesagt, wie falsch sie war, und passen ihre Gewichte gezielt an. Neuro Racer macht das nicht. Kein Auto erfährt, warum es gegen die Mauer gefahren ist. Es zählt nur das Ergebnis am Ende. Das ist langsamer und weniger zielgenau, aber leicht zu verstehen – und man kann jeder Generation dabei zusehen.
Was du in Neuro Racer beobachten kannst
- Die ersten Generationen: Chaos. Fast alle Autos scheiden in den ersten Sekunden aus.
- Der erste Durchbruch: Plötzlich schafft ein Auto die erste Kurve. Eine Generation später schaffen es viele.
- Bremsen lernen: Weil die Autos nur begrenzt Haftung haben, kommen schnelle Autos aus engen Kurven heraus. Irgendwann setzen sich Netze durch, die vor Kurven vom Gas gehen.
- Feinschliff: Sind viele Autos im Ziel, entscheidet die Zeit. Jetzt verfeinert sich die Linie, und die Rundenzeiten sinken langsam weiter.
Mit dem Knopf „Sensoren“ siehst du die Strahlen, mit denen ein Auto die Strecke „sieht“. Die Statistik zeigt, wie sich der Fortschritt über die Generationen entwickelt, und das Netz des besten Autos.
Experimente zum Ausprobieren
- Mutationsrate: Trainiere dieselbe Strecke einmal mit 2 und einmal mit 30 Prozent. Mit sehr hoher Rate geht Gelerntes oft schneller verloren, als Neues dazukommt.
- Netzgröße: Vier Neuronen reichen für ein Oval. Für eine enge Serpentine helfen mehr.
- Generalisierung: Trainiere auf einer Strecke und baue sie danach um. Die Autos behalten ihr Netz. Fahren sie auch die neue Strecke? Dann haben sie wirklich fahren gelernt und nicht nur eine Strecke auswendig.
- Populationsgröße: Mit 50 Autos dauert es oft lange, bis eins die richtige Idee hat. Mit 1000 geht es schneller, braucht aber mehr Rechenleistung.
Wo Neuroevolution sonst eingesetzt wird
Dasselbe Prinzip – zufällige Varianten erzeugen, die besten behalten, wiederholen – wird in der Forschung genutzt, um Steuerungen für Roboter zu entwickeln, Spielfiguren zu trainieren oder Formen zu optimieren. Für große Sprachmodelle oder Bilderkennung sind andere Verfahren üblich. Für kleine Steuerungsaufgaben wie in Neuro Racer ist Neuroevolution aber ein anschaulicher und erstaunlich wirksamer Weg.