Az utóbbi években egyre nagyobb teret hódítottak azok a kísérletek, melyekben mesterséges intelligencia ágensek különféle játékokban megközelítették, vagy akár meg is haladták az emberi teljesítményt. Gondoljunk csak például az AlphaGo-ra, amely képes volt világbajnok játékosok legyőzésére vagy akár a különféle algoritmusokra, amelyek az ún. Atari-s játékokban értek el korábban még nem látott sikereket. Ezekben a kísérletekben egy a közös: a deep reinforcement learning (DRL), azaz a megerősítéses tanulás. A dolgozat célja a DRL ismertetésén kívül a különféle DRL algoritmusok viselkedésének bemutatása egy közös problémán, az autóvezetéses játékokban. Ha valaki játszott már hasonló versenyzős játékokkal, tapasztalhatta, hogy a beépített ellenfelek viselkedése a mesterséges intelligencia használatának ellenére is meglehetősen gyenge, egyáltalán nem életszerű. Erre nyújthatnak megoldást a DRL algoritmusok, amelyekkel jóval emberszerűbb és ugyanakkor hatékonyabb viselkedést kölcsönözhetünk ágenseinknek, azaz számítógépes ellenfeleinknek, életszerűbbé, élvezhetőbbé és izgalmasabbá téve a játékokat. Ennek megfelelően a dolgozatban fokozatosan nehezedő, egyre bonyolultabb pályákon próbálom betanítani a különféle algoritmusokat, majd pedig kiértékelem azok teljesítményét. A dolgozatban ugyancsak tárgyalásra kerül az ún. Augmented Random Search (ARS) , ami egy meglehetősen új, viszonylag egyszerű, ugyanakkor nagyon hatékonynak bizonyuló algoritmus. Az újdonságból kifolyólag azonban jelenleg még kevés környezetben alkalmazták, amit jól mutat az is, hogy a dolgozat írása pillanatában nincs tudomásom hasonló környezeten, illetve problémán (vezetés) történő kipróbálásáról.