In den letzten zehn Jahren hat die zunehmende Verfügbarkeit leistungsstarker Computer zu einer immer breiteren Anwendung von Methoden des maschinellen Lernens geführt. Das maschinelle Lernen ist besonders erfolgreich, wenn große Modelle, in der Regel neuronale Netze mit einer immer größer werdenden Anzahl von Parametern, große Datenmengen nutzen können, um Vorhersagen zu treffen. Während das Verstärkungslernen (Reinforcement Learning, RL) keine Ausnahme von dieser Entwicklung darstellt, ist der bekannte “Exploration-Exploitation Trade-Off” ein entscheidendes Merkmal von RL, dessen optimale Lösung - obwohl sie als teilweise beobachtbarer Markov-Entscheidungsprozess modelliert werden kann - sich der Berechnung bei allen außer den einfachsten Problemen entzieht. Daher scheint es nicht überraschend, dass bemerkenswerte Demonstrationen des Reinforcement Learnings, wie z.B. der RL-basierte Go-Agent AlphaGo von Deepmind, der den professionellen Go-Spieler Lee Sedol besiegte, sowohl auf die Verfügbarkeit massiver Rechenkapazitäten als auch auf spezifische Formen der Regularisierung, die das Lernen erleichtern, angewiesen war. Im Fall von AlphaGo kam diese Regularisierung in Form von Selbstspiel, welches das Lernen durch Interaktion mit allmählich besser werdenden Gegnern ermöglicht. In dieser Arbeit entwickeln wir Techniken, die, ähnlich wie das Konzept des Selbstspiels von AlphaGo, die Lernleistung von RL-Agenten durch das Training auf Sequenzen von zunehmend komplexen Aufgaben verbessern. Diese Aufgabensequenzen werden typischerweise als Curricula bezeichnet und sind dafür bekannt, Probleme wie langsames Lernen oder Konvergenz zu schlechtem Verhalten zu umgehen, die beim direkten Lernen in komplizierten Aufgaben auftreten können. Die Algorithmen, die wir in dieser Arbeit entwickeln, erstellen Curricula, indem sie Abstände oder Divergenzen zwischen Wahrscheinlichkeitsverteilungen von Lernaufgaben minimieren. Dabei erzeugen sie Interpolationen zwischen einer Anfangsverteilung von einfachen Lernaufgaben und einer Zielaufgabenverteilung. Neben der Verbesserung der Lernleistung von RL-Agenten in Experimenten führt die Entwicklung von Methoden, die Curricula als Interpolationen zwischen Aufgabenverteilungen realisieren, zu einem differenzierteren Bild von Schlüsselaspekten erfolgreicher Reinforcement Learning Curricula. In Kapitel 1 beginnen wir diese Arbeit mit einer Einführung in die erforderliche Notation des Reinforcement Learnings und motivieren dann das Reinforcement Learning mit Curricula aus der Perspektive von Continuation Methods in der nichtlinearen Optimierung. Ähnlich wie bei Curricula für das Verstärkungslernen werden Continuation Methods in der nichtlinearen Optimierung verwendet, um schwierige Optimierungsprobleme zu lösen. Diese Ähnlichkeit vermittelt eine Intuition über den Effekt und die Grenzen der Curricula, die wir erstellen wollen. In Kapitel 2 übertragen wir das Konzept des Self-Paced Learnings, das ursprünglich im Bereich des Supervised Learnings vorgeschlagen wurde, auf das Problem des RL, indem wir zeigen, dass eine automatisierte Curriculumerstellung für RL-Agenten durch ein regularisiertes RL Problem motiviert werden kann. Dieses regularisierte RL Problem impliziert die Generierung eines Curriculums als eine Sequenz von Aufgabenverteilungen, die die erwartete Agentenleistung gegen die Ähnlichkeit mit einer spezifizierten Verteilung von Zielaufgaben abwägen. Diese Sichtweise auf das Curriculum Reinforcement Learning steht im Gegensatz zu bestehenden Ansätzen, da sie Curricula über ein regularisiertes RL Problem motiviert, anstatt diese aus einer Reihe von Annahmen über einen optimalen Lehrplan zu generieren. In Experimenten zeigen wir, dass eine approximative Implementierung des oben erwähnten Curriculums - die die interpolierende Aufgabenverteilung auf eine Gauß-Verteilung beschränkt - zu einer verbesserten Lernleistung im Vergleich zu regulärem Reinforcement Learning führt und die Leistung bestehender curriculum-basierter Methoden erreicht oder übertrifft.

Anschließend baut Kapitel 3 auf der in Kapitel 2 entwickelten Intuition von Lehrplänen als Sequenzen interpolierender Aufgabenverteilungen auf. Motiviert durch die Verwendung flexiblerer Repräsentationen von Aufgabenverteilungen zeigen wir, wie parametrische Annahmen eine entscheidende Rolle für den empirischen Erfolg des vorherigen Ansatzes spielen, und decken anschließend Schlüsselbestandteile für die Erstellung sinnvoller Curricula ohne Annahmen über parametrische Modelle der Aufgabenverteilungen auf. Ein wichtiger Bestandteil ist ein expliziter Begriff der Aufgabenähnlichkeit über eine Distanzfunktion zweier Markov-Entscheidungsprozesse. Wir wenden uns der Theorie des optimalen Transports zu, die flexible partikelbasierte Darstellungen der Aufgabenverteilungen ermöglicht und gleichzeitig die neu eingeführte metrische Struktur des Aufgabenraums angemessen berücksichtigt. In Kombination mit anderen Verbesserungen unserer ersten Methode, wie einer aggressiveren Beschränkung des Lehrplans auf Aufgaben, die für den Agenten nicht zu schwer sind, liefert der resultierende Ansatz in mehreren Experimenten eine konstant hohe Lernleistung.

Im abschließenden Kapitel 4 wenden wir die verfeinerte Methode aus Kapitel 3 auf eine Bahnverfolgungsaufgabe an, bei der wir einen RL-Agenten damit beauftragen, einer dreidimensionalen Referenztrajektorie mit der Spitze eines, auf einem Barrett-Wholearm-Manipulator montierten, sphärischen Pendels zu folgen. Die partielle Beobachtbarkeit des Systems durch das Fehlen von Geschwindigkeitsinformationen, gepaart mit einem inhärent instabilen, unteraktuierten System und einer nicht-trivialen Kinematik, stellt eine Herausforderung für moderne Reinforcement-Learning-Algorithmen dar, die wir mit Hilfe von Curricula angehen. Der technisch unendlich-dimensionale Aufgabenraum der Zieltrajektorien erlaubt es uns, die entwickelte Curriculum-Lernmethode auf Schwächen zu untersuchen, die in den eher niedrig-dimensionalen Experimenten der vorherigen Kapitel nicht auftraten. Durch ein verbessertes Optimierungsschema, das die nicht-euklidische Struktur der Zieltrajektorien besser berücksichtigt, generieren wir zuverlässig Curricula über zu verfolgende Trajektorien. Das Training auf diesen Trajektorien führt zu schnellerem und robusterem Lernen als direktes Training auf den Zieltrajektorien. Das erlernte Verhalten erreicht auf dem realen System die Leistung eines Reglers, der mit Hilfe von Ansätzen der Optimalen Steuerung entworfen wurde, was das Potenzial von Curriculum RL für das gemeinsame Erlernen von Zustandsschätzung und Regelung für nichtlineare Bahnverfolgungsaufgaben demonstriert. Zusammenfassend führt diese Arbeit eine Perspektive auf Reinforcement Learning Curricula als Interpolationen zwischen Aufgabenverteilungen ein. Die unter dieser Sichtweise entwickelten Methoden genießen eine präzise Formulierung als Optimierungsprobleme und liefern in Experimenten empirische Vorteile. Aufbauend auf dieser präzisen Formulierung können zukünftige Arbeiten das formale Verständnis von Reinforcement Learning Curricula vorantreiben und damit die Lösung von anspruchsvollen Entscheidungs- und Kontrollproblemen mit Reinforcement Learning ermöglichen.