SERL ist eine sorgfältig implementierte Code-Bibliothek, die eine effiziente Offline-Methode für Deep Reinforcement Learning, Methoden zur Belohnungsberechnung und zum Zurücksetzen der Umgebung, einen hochwertigen und weit verbreiteten Robotercontroller sowie einige anspruchsvolle Beispielaufgaben umfasst. Sie bietet der Community eine Ressource, die die Designentscheidungen beschreibt und experimentelle Ergebnisse präsentiert. Überraschenderweise konnten wir mit unserer Implementierung ein sehr effizientes Lernen erzielen: Bereits nach 25 bis 50 Minuten Training konnten Strategien für Aufgaben wie PCB-Bestückung, Kabelverlegung und Objektmanipulation erlernt werden, was die in der Literatur für ähnliche Aufgaben berichteten Spitzenwerte verbessert. Diese Strategien erreichen eine perfekte oder nahezu perfekte Erfolgsrate, zeigen selbst unter Störungen eine hohe Robustheit und weisen emergentes Wiederherstellungs- und Korrekturverhalten auf. Wir hoffen, dass diese vielversprechenden Ergebnisse und unsere hochwertige Open-Source-Implementierung der Robotik-Community ein Werkzeug bieten, um die Weiterentwicklung des robotergestützten Reinforcement Learnings zu fördern.