Hierarchische Ansätze bieten eine vielversprechende Perspektive, um den Herausforderungen
steigender Anforderungen an Lernalgorithmen hinsichtlich der Komplexität
zu lösender Aufgaben sowie Flexibilität und Transferierbarkeit der erlernten Lösungen
gerecht zu werden. Im Rahmen dieser Arbeit wurde ein solcher Ansatz aus dem Bereich
des bestärkenden Lernens, sowie ein herkömmlichen Ansatz des tiefen bestärkenden Lernens,
implementiert und zur Erstellung komplexer Trajektorien für einen robotischen
Arm verwendet. Die Ergebnisse dieser Lernexperimente wurden zu einem Vergleich herangezogen.
Für die Lösung von Teilaufgaben wurde beim hierarchischen Ansatz auf die
Repräsentation von Bewegungen durch Dynamic Motion Primitive oder Dynamic Movement
Primitives (DMPs) zurückgegriffen. Durch diese Repräsentation von Teilverhalten
besteht die Möglichkeit, eine Vielzahl von Teilverhalten in der unteren Hierarchieebene
zu verwenden. Diese Teilverhalten können durch bereits vorhandene Funktionalitäten
wie beispielsweise Implementierungen von Imitationslernen erstellt werden. Die in einer
zu diesem Zweck erstellten Simulationsumgebung durchgeführten Experimente haben
gezeigt, dass die Ergebnisse des hierarchischen Ansatzes hinsichtlich der Lerngeschwindigkeit
besser zu bewerten sind als die des herkömmlichen Ansatzes.