रीइन्फोर्समेंट लर्निंग के ज़रिए रोबोट को ट्रायल एंड एरर विधि से प्रशिक्षित किया जाता है। रोबोट क्रियाएँ करता है, पुरस्कार प्राप्त करता है और पुरस्कार को अधिकतम करने के लिए अपने व्यवहार को समायोजित करता है। इसी तरह एक कुत्ता खाने की चीज़ के लिए बैठना सीखता है। रोबोट को लेबल किए गए उदाहरणों की आवश्यकता नहीं होती है। उसे केवल सफलता मापने के तरीके की आवश्यकता होती है।

यह फ्रेमवर्क मार्कोव निर्णय प्रक्रिया पर आधारित है। रोबोट एक स्थिति का अवलोकन करता है, एक क्रिया का चयन करता है, इनाम प्राप्त करता है और एक नई स्थिति में चला जाता है। लक्ष्य एक ऐसी नीति बनाना है जो संचयी इनाम को अधिकतम करने के लिए स्थितियों को क्रियाओं से जोड़ती है। डीप रीइन्फोर्समेंट लर्निंग नीति और मूल्य फ़ंक्शन को दर्शाने के लिए न्यूरल नेटवर्क का उपयोग करती है। इसने गो और अटारी जैसे गेम हल किए हैं और रोबोट को चलना, पकड़ना और उड़ना सिखाया है।

सुदृढ़ीकरण अधिगम चुनौतियाँ

• नमूना दक्षता: रोबोटों को लाखों परीक्षणों की आवश्यकता होती है।
• पुरस्कार का निर्धारण: सही पुरस्कार तय करना कठिन है।
• सिमुलेशन से वास्तविक दुनिया में स्थानांतरण: सिमुलेशन में प्रशिक्षित नीतियां हार्डवेयर पर विफल हो सकती हैं।
• सुरक्षा: अन्वेषण से रोबोट को नुकसान हो सकता है।
• श्रेय का निर्धारण: किस कार्रवाई के कारण पुरस्कार प्राप्त हुआ?

रोबोटों के लिए अधिकांश रीइन्फोर्समेंट लर्निंग पहले सिमुलेशन में होती है। रोबोट एक फिजिक्स इंजन में हजारों बार अभ्यास करता है, फिर उस नीति को वास्तविक दुनिया में लागू करता है। सिमुलेशन में डोमेन रैंडमाइजेशन, घर्षण, द्रव्यमान और सेंसर शोर में बदलाव नीति को अधिक मजबूत बनाते हैं। फिर भी, सिमुलेशन और वास्तविक दुनिया के बीच अंतर बना रहता है। सिमुलेशन में पूरी तरह से सही चलने वाली नीति वास्तविक हार्डवेयर पर विफल हो सकती है। शोधकर्ता इस अंतर को कम करने के लिए सिस्टम आइडेंटिफिकेशन, एडेप्टिव कंट्रोल और रेसिडुअल लर्निंग का उपयोग करते हैं। रीइन्फोर्समेंट लर्निंग शक्तिशाली है क्योंकि यह ऐसे समाधान खोज सकती है जिन्हें मनुष्य डिजाइन नहीं कर सकते। यह अप्रत्याशित भी है। रीइन्फोर्समेंट लर्निंग से प्रशिक्षित रोबोट एक चतुर समाधान या एक खतरनाक समाधान खोज सकता है। सीखने के दौरान सुरक्षा सुनिश्चित करना एक अनसुलझा मुद्दा है।