SERL est une bibliothèque de code soigneusement implémentée. Elle inclut une méthode d'apprentissage par renforcement profond hors politique efficace, des méthodes pour calculer les récompenses et réinitialiser l'environnement, un contrôleur robotique hautement performant et largement adopté, ainsi que plusieurs tâches d'exemple exigeantes. Elle fournit à la communauté une ressource décrivant ses choix de conception et présentant les résultats expérimentaux. De manière surprenante, nous avons constaté que notre implémentation permet un apprentissage extrêmement efficace, obtenant des stratégies pour des tâches telles que l'assemblage de circuits imprimés (PCB), le câblage et la repositionnement d'objets en seulement 25 à 50 minutes d'entraînement, améliorant ainsi les résultats de pointe rapportés dans la littérature pour des tâches similaires. Ces stratégies atteignent un taux de réussite parfait ou presque parfait, affichent une grande robustesse même en cas de perturbations, et présentent des comportements émergents de récupération et de correction. Nous espérons que ces résultats prometteurs et notre implémentation open source de haute qualité fourniront à la communauté robotique un outil pour favoriser le développement futur de l'apprentissage par renforcement pour robots.