Die Anzahl und die Komplexität von Aufgaben, die Roboter heute und in Zukunft übernehmen sollen, steigen stetig an. Zudem steigen auch die Ansprüche an die Flexibilität und Robustheit der Lösungen. Diese hohen Anforderungen können dazu führen, dass klassische Steuerungs- und Regelungskonzepte nicht mehr geeignet sind, um die Aufgabe zu erfüllen. In solchen Fällen kann maschinelles Lernen eine sinnvolle Alternative sein.
Eines der Ziele maschinellen Lernens ist es, Systeme zu entwickeln, die ihr Verhalten auch auf leicht veränderte Umgebungen bzw. ähnliche oder gar neue Aufgaben der selben Aufgabenklasse übertragen können. Dafür ist es notwendig, Grundbausteine von Verhalten zu erlernen, deren Modellierung und Reihenfolge eine Adaption des Gesamtverhaltens, an die veränderte Situation, erlauben.
Eine Möglichkeit komplexen Aufgaben zu begegnen, die für Menschen im alltäglichen Leben selbstverständlich ist, ist das Zerlegen eines Problems in Teilprobleme. Die Lösungen, die für die Teilprobleme entwickelt werden, führen im Verbund zur Lösung des Gesamtproblems. Es handelt sich also um eine hierarchische Lösung des Problems.
Im Rahmen dieser Masterarbeit sollen ein nicht hierarchischer und ein hierarchischer Ansatz bestärkenden Lernens hinsichtlich Performanz, Lerngeschwindigkeit und Transferierbarkeit erlernter Teilverhalten verglichen werden. Dies soll am Beispiel komplexer Trajektorien für einen Manipulatorarm erfolgen.