Das Reinforcement-Learning (RL) spielt eine zentrale Rolle für die Verbesserung von Sicherheitsfunktionen und Bewegungsabläufen bei autonomen Fahrzeugen, Lieferdrohnen oder anderen mobilen Robotersystemen. In autonomen mobilen Robotern übernehmen vernetzte, eingebettete Systeme wichtige Planungs- und Steuerungsaufgaben und berücksichtigen Informationen aus der Umgebung.
Damit RL-Agenten in Echtsituationen zum Einsatz kommen können, muss es zusätzliche Sicherheitsfunktionen geben, die möglichst Performance-freundlich sind. Einem Team von Wissenschaftlern der TUM Campus Heilbronn ist es gelungen, die Sicherheit wesentlich zu erhöhen und gleichzeitig das System nur geringfügig einzuschränken.