Domänenadaptives Reinforcement Learning

Domänenadaptives Reinforcement Learning (DARL) erweitert Standard-RL, indem es einer in einer Umgebung oder Domäne trainierten Policy ermöglicht, effektiv auf eine andere, aber verwandte Ziel-Domäne zu übertragen und zu generalisieren. Es adressiert das Problem der Domänenverschiebung – bei der sich Dynamiken, Beobachtungen oder Belohnungsstrukturen zwischen Training und Einsatz unterscheiden – durch Techniken zur Angleichung, Anpassung oder Domänen-Randomisierung, wodurch die Notwendigkeit reduziert wird, kostspielige Erfahrungen in der Ziel-Domäne zu sammeln.