Tiefes Reinforcement Lernen auf Basis visueller Wahrnehmungen

Die Relevanz tiefer Autoencoder für das optimierende Lernen konnte in dieser Arbeit klar bestätigt werden. DFQ ist ein erster Algorithmus, der von der Leistungsfähigkeit der Autoencoder profitiert, das Lernen auf hochdimensionalen Eingabedaten ermöglicht und so die Grenzen für das wertfunktionsbasierte Reinforcement Lernen deutlich verschiebt. DFQ wurde nicht nur erfolgreich auf realistische, aber synthetische Bilddaten angewendet, sondern es wurden bereits auch eindrucksvolle Ergebnisse auf realen Anwendungen erzielt, die sich mit den Ergebnissen klassischer Ansätze messen lassen können. DFQ hat sich hierbei als vielversprechender Ansatz erwiesen mit vielen sich eröffnenden, weiterführenden Forschungsmöglichkeiten. Die eigenen Erwartungen wurden aber bereits jetzt deutlich übertroffen. Es ist nun möglich, direkt auf unvorverarbeite- ten Bilddaten optimierendes Lernen zu betreiben und so gute Strategien zur Steuerung realer Systeme direkt auf Basis visueller Wahrnehmungen zu erlernen.