Die vorliegende Dissertation befasst sich mit dem autonomen Erlernen von Verhaltensmodellen zur Beschreibung sequentieller Entscheidungsprozesse. Behandelt werden sowohl theoretische Aspekte der Verhaltensmodellierung — wie das Erlernen geeigneter Repräsentationen zur Abstraktion eines Entscheidungsprozesses — als auch praktische Schwierigkeiten bei der algorithmischen Umsetzung.

Die erste Hälfte der Dissertation beschäftigt sich mit dem Problem, eine gegebene Entscheidungsstrategie auf Basis von Beobachtungen zu generalisieren (engl.: learning from demonstration). Zur Lösung des Problems werden zwei unterschiedliche Modellierungsparadigmen vorgestellt: Zunächst wird ein nichtparametrischer Ansatz entwickelt, der es ermöglicht, zugrundeliegende Verhaltensmuster direkt auf Entscheidungsebene zu erfassen. Eine wesentliche Herausforderung in der Konzeption der Methodik besteht darin, auch im Fall einer unendlichen Anzahl von Systemzuständen möglichst wenige Annahmen über das beobachtete Systemverhalten zu treffen. Durch adaptive Anpassung der Modellordnung an die Komplexität der gezeigten Verhaltensmuster ist das vorgestellte Modell imstande, stochastische Entscheidungsstrategien jeglicher Art wiederzugeben. Als Nächstes wird ein nichtparametrischer Ansatz nach dem Prinzip des inverse reinforcement learning (IRL) konzipiert. Hierzu wird auf eine Form der Modellierung zurückgegriffen, bei welcher der Entscheidungsprozess in einzelne Teilprozesse untergliedert wird, um eine effiziente Rekonstruktion der Handlungsstrategie auf Intentionsebene zu ermöglichen. Im Gegensatz zu den meisten existierenden Methoden ist das Modell in der Lage, periodische Verhaltensmuster und Entscheidungsstrategien mit zeitabhängigen Zielen ohne zusätzliche Nachverarbeitungsschritte wiederzugeben. Aufgrund des modularen Aufbaus der Modelle bieten beide Paradigmen die Möglichkeit kompakte, an das Systemverhalten angepasste Darstellungen des Entscheidungsprozesses zu lernen. Die vorgestellten Modellierungsansätze werden anhand verschiedener Testszenarien evaluiert und mit existieren Methoden verglichen. Hierzu werden sowohl synthetische Fallbeispiele als auch diverse Echtdatensätze herangezogen, die mit Hilfe eines KUKA Leichtbau-Roboterarms aufgenommen wurden.

In der zweiten Hälfte der Arbeit verlagert sich der Schwerpunkt auf Multiagentensysteme. Ziel ist die effiziente Modellierung der Entscheidungsprozesse in großen Agentennetzwerken mit homogener Architektur. Zunächst wird eine neue Klasse von Agentensystemen eingeführt, um die mathematische Grundlage zur Beschreibung verteilter homogener Systeme zu schaffen. Für diese Systemklasse wird das IRL Problem diskutiert und ein Meta-Lernalgorithmus entwickelt, der zur Lösung explizit die Symmetrien des Systems nutzt. Im Zuge dessen wird ein heterogenes Lernschema vorgestellt, welches das kollektive Systemverhalten auf Basis lokaler Zustandsbeobachtungen optimiert. Im letzten Teil der Arbeit wird schließlich eine Kontinuum-Beschreibung des Modells hergeleitet, welche die Simulation des Netzwerks für große Agentenzahlen ermöglicht. Zu diesem Zweck werden die entsprechenden Kontinuum-Systemkomponenten und Optimalitätskriterien eingeführt. Um das Prinzip der Kontinuum-Modellierung zu veranschaulichen, werden abschließend mehrere Beispiele kollektiver Entscheidungsfindung aufgeführt, welche die Vorteile gegenüber einer agentenbasierten Verhaltensmodellierung aufzeigen.