Personalisierte Optimierung des Fähigkeits­transfers im Schwimmtraining durch Multi‑Agenten‑Reinforcement‑Learning in digitalen Zwillings‑Umgebungen

Intelligentere Betreuung für jede:n Schwimmer:in

Schwimmen gehört zu den technisch anspruchsvollsten Sportarten: winzige Veränderungen in Körperhaltung, Timing oder Atmung können ein Rennen entscheiden. Trotzdem verlassen sich die meisten Schwimmer:innen weiterhin auf das Auge eines Trainers und eine Stoppuhr. Diese Arbeit untersucht, wie die Kombination eines Schwimmers mit einer virtuellen Kopie seiner selbst und einer KI‑„Trainerin“ grundlegend verändern könnte, wie Menschen Schwimmen lernen — und zwar durch personalisiertes, effizienteres und datengetriebenes Training für Anfänger:innen bis hin zu Wettkampfathlet:innen.

Ein virtueller Zwilling im Becken

Kern der Arbeit ist ein detaillierter digitaler Zwilling der Schwimmumgebung. Dieser Zwilling ist eine virtuelle Nachbildung des Beckens und des Schwimmers, die in Echtzeit parallel zum tatsächlichen Training läuft. Unterwasserkameras, tragbare Bewegungssensoren und Drucksensoren erfassen Daten darüber, wie sich der Schwimmer bewegt und wie das Wasser um den Körper strömt. Diese Informationen aktualisieren fortlaufend den virtuellen Schwimmer, der Wasserwiderstand, Körperhaltung und Gelenkbewegungen mit hoher Präzision simuliert. Weil der Zwilling in Software lebt, können Trainer:innen und Forschende sicher „Was‑wäre‑wenn“‑Szenarien testen — etwa verändertes Schlagtiming oder Körperwinkel — ohne die Athlet:innen zu ermüden oder zu gefährden.

Viele KI‑Trainer arbeiten zusammen

Statt einer einzelnen, monolithischen KI nutzt das System ein Team spezialisierter Softwareagenten, die mit einer Technik namens Reinforcement Learning trainiert werden. Jeder Agent konzentriert sich auf einen anderen Trainingsaspekt: einer analysiert die Technik, ein anderer entwirft Trainingssets, ein dritter überwacht die Echtzeitleistung, ein vierter steuert den Fähigkeits­transfer zwischen den Schwimmstilen und ein fünfter verwaltet die virtuelle Umgebung. Diese Agenten üben innerhalb des digitalen Zwillings, testen verschiedene Trainingsentscheidungen und erhalten Belohnungen, wenn Schwimmer:innen schneller werden, effizienter bewegen oder eine bessere Form beibehalten. Im Laufe der Zeit lernen die Agenten, wie sie miteinander koordiniert arbeiten, Informationen teilen und Strategien entwickeln, die für unterschiedliche Schwimmer:innen und Situationen am besten funktionieren.

Lernen, wie man lernt — und Fähigkeiten teilt

Eine Schlüsselinnovation ist der Einsatz von Meta‑Learning, oft als „Lernen zu lernen“ bezeichnet. Anstatt bei jeder neuen Person bei Null zu beginnen, untersucht das System Muster über viele virtuelle Schwimmer:innen und Aufgaben hinweg. Es erlernt einen starken Ausgangspunkt, der sich mit nur wenigen Daten schnell an eine neue Person anpassen lässt. Das ermöglicht auch Fähigkeits­transfer: Fortschritte beim Erlernen etwa des Freistils können das Lernen des Rückenschlags beschleunigen, insbesondere wenn sich die Stilmechaniken ähneln. Das Framework enthält datenschutzschonende Methoden, sodass sensible Bewegungsdaten lokal auf Geräten bleiben können, während nur hochstufige Modellaktualisierungen geteilt werden.

Schnellere Fortschritte und länger anhaltende Fähigkeiten

Die Forschenden testeten ihren Ansatz ausführlich in Simulationen. Verglichen mit gängigen KI‑Trainingsmethoden und traditionellen regelbasierten Coaching‑Strategien erreichte das Multi‑Agenten‑Meta‑Learning‑System etwa 34 % schneller hohe Leistungsniveaus und erzielte am Ende rund 22 % bessere Werte auf einer kombinierten Kennzahl aus Technikqualität, Geschwindigkeit und Konsistenz. Der Fähigkeits­erwerb war etwa 2,7‑mal schneller, und ein Großteil der Verbesserungen blieb selbst nach simulierten „Auszeiten“ erhalten — mit nahezu 90 % Leistungserhalt über mehrere Monate. Das System passte sich gut an verschiedene Athlet:innenprofile an, von Anfänger:innen bis zu fortgeschrittenen Schwimmer:innen, funktionierte jedoch am besten, wenn bereits eine grundlegende Technik vorhanden war, und zeigte Grenzen bei völlig neuen Anfänger:innen oder Eliteathlet:innen, die nahe ihrer physischen Grenze operieren.

Was das für Schwimmer:innen bedeuten könnte

Vereinfacht gesagt deutet diese Forschung auf einen KI‑unterstützten Trainingspartner hin, der jeden Schlag beobachtet, tausende Variationen in einem sicheren virtuellen Becken testet und dann mit einem maßgeschneiderten Plan zum Schwimmer zurückkehrt. Zwar beruhen die aktuellen Ergebnisse auf hochauflösenden Simulationen und nicht auf groß angelegten Studien in realen Schwimmbädern, doch das Framework legt nahe, dass zukünftige Schwimmprogramme von generalisierten Sets zu kontinuierlich adaptiven Workouts übergehen könnten. In der Praxis könnten solche Systeme helfen, korrekte Technik schneller zu erlernen, verschwendeten Aufwand zu reduzieren, Verletzungsrisiken zu senken und Fähigkeiten länger zu behalten — ähnlich wie eine:n Expert:in und ein persönliches Windkanallabor, das jede Bahn begleitet.

Zitation: Wu, Z. Personalized skill transfer optimization in swimming training through multi-agent reinforcement learning driven digital twin environments. Sci Rep 16, 5134 (2026). https://doi.org/10.1038/s41598-026-35877-9

Schlüsselwörter: Schwimmtraining, digitaler Zwilling, Sport‑KI, Fähigkeitstransfer, personalisierte Trainingsbetreuung