Reinforcement Learning (RL) beschäftigt sich mit dem sequentiellen Treffen von Entscheidungen. Dabei interagiert ein Agent mit seiner Umwelt, welches als Markov Entscheidungsprozess (MDP) modelliert wird. Durch sein Verhalten in der Umwelt erhält der Agent Belohnungssignale, welche er via trial-and-error zu maximieren versucht. Ursprünglich basierten RL Algorithmen auf tabellarischen Strukturen, welche schnell zum Flaschenhals werden für komplexere Probleme. Durch die Hinzunahme von künstlichen neuronalen Netzen als Funktionsapproximation können tabellarische Strukturen ersetzt werden, um Probleme mit zahlreichen Zuständen und Aktionsmöglichkeiten lösen zu können. Innerhalb dieses Kontextes spricht man von Deep Reinforcement Learning (DRL).

DRL findet bereits viele Anwendungen sowohl in virtuellen Welten als auch in der realen Welt. Beispielhafte Anwendungsgebiete sind Videospiele und Robotik. Hier ist eine kleine Aufführung von inspirierenden Anwendungen:

• Hide and Seek: Emergent Tool Use from Multi-Agent Interaction
• Obstacle Tower: A Generalization Challenge in Vision, Control and Planning
• On the Verge of Solving Rocket League using Deep Reinforcement Learning and Sim-to-sim Transfer
• DotA 2: OpenAI Five
• AlphaStar: Mastering the real-time strategy game StarCraft II
• Emergence of Locomotion Behaviours in Rich Environments
• Learning Dexterity
• Autonomous navigation of stratosphereic balloons using reinforcement learning
• Video PreTraining (VPT): Learning to Act by Watching Unlabeled Online Videos

• Reinforcement Learning: An Introduction
• Grokking Deep Reinforcement Learning
• Deep Reinforcement Learning Hands-On
• Foundations of Deep Reinforcement Learning
• AI for Games, Third Edition