Reinforcement Learning ist ein allgemeines, auf dem Versuch-und-Irrtum-Prinzip basierendes Optimierungsverfahren für Markov-Entscheidungsprozesse. Der erforderliche Lernaufwand steigt jedoch mit der Anzahl der Dimensionen des Suchraums exponentiell an und setzt damit der Einsetzbarkeit bei komplexeren Problemen Grenzen. Einer der Ansätze um mit diesem Problem umzugehen ist Transfer Learning. Hierbei wird Nutzen aus der Annahme gezogen, das der Agent im Laufe seines Lebenszyklus mehr als eine Aufgabe bewältigt und von Wissenstransfer aus früheren Einsätzen profitieren kann. Teile des Suchraums können bereits durch Vorwissen abgedeckt werden, was den Explorationsaufwand gegenüber dem Lernen von Grund auf verringert.
Im Rahmen der Arbeit sollen zunächst zwei Methoden aus dem Bereich Transfer Learning anhand einer einfachen Evaluationsumgebung analysiert werden (Inter-Task Mappings, Agent Space Framework).
Im zweiten Teil der Arbeit sollen die Methoden in einer komplexeren Testumgebung angewendet werden. Am DFKI wurden in verschiedenen Projekten ein Labyrinth Spiel der Fa. BRIO mit Sensoren und Aktuatoren ausgerüstet und eine zugehörige Simulation entwickelt. Beide Systeme sollen ebenfalls als Anwendungsfall für diese Methoden betrachtet werden.
Dieser zweite Vortrag gibt einen Überblick über den aktuellen Stand der Arbeit, sowie einen Ausblick auf die noch offenen Arbeitspakete.