Apprentissage par renforcement adaptatif au domaine

L'apprentissage par renforcement adaptatif au domaine (DARL) étend l'apprentissage par renforcement standard en permettant à une politique entraînée dans un environnement ou un domaine de se transférer et de généraliser efficacement à un domaine cible différent mais connexe. Il aborde le problème du décalage de domaine — où la dynamique, les observations ou les structures de récompense diffèrent entre l'entraînement et le déploiement — par des techniques d'alignement, d'adaptation ou de randomisation de domaine, réduisant ainsi le besoin de collecter des expériences coûteuses dans le domaine cible.