Aktuelle Trajektorienfolgeregelungskonzepte bestehend aus einer modellbasierten Vorsteuerung und einem modellfreien Regler ermöglichen bereits das automatisierte Fahren. Aufgrund von Ungenauigkeiten in den Systemmodellen und äußeren, sich ändernden Störeinflüssen werden zusätzlich vermehrt adaptive Regelungsverfahren eingesetzt, um eine kontinuierlich hohe Regelgüte zu garantieren.

Im Rahmen dieser Masterarbeit sollen verschiedene Reinforcement Learning Algorithmen bezüglich ihrer Eignung zur Erweiterung eines bestehenden Trajektorienfolgeregelungskonzeptes evaluiert werden. Mithilfe von künstlichen neuronalen Netzen werden sogenannte Agenten abgebildet, welche als additives Regelglied ein System bestehend aus Vorsteuerung und PID-Regler ergänzen sollen, um die Querdynamikregelung eines automatisierten Fahrzeugs zu optimieren.

In einer fahrzeugnahen Simulationsumgebung werden Fahrversuche durchgeführt, bei welchen Aganten sowohl mit verschiedenen Hyperparametern aus auch verschiedenen Reinforcement Learning Algorithmen trainiert werden. Im Rahmen dieser Untersuchungen konnte eine Methode gefunden werden, welche in Kombination mit dem bestehenden Regelungskonzept zu einer signifikanten Verbesserung des Fahrzeugverhaltens führt. Zur Bewertung der Regelung wird vorwiegend die Abweichung zwischen Soll- und Isttrajektorie betrachtet, welche deutlich reduziert werden konnte.