Dieses Buch zeigt, wie Reinforcement Learning die Fahrdynamikregelung automatisierter Fahrfunktionen gezielt erweitern kann. Durch die Integration eines lernfähigen Agenten in bestehende, modellbasierte Regelungsarchitekturen entsteht ein hybrider Ansatz, der die Regelgüte verbessert, Trajektorienabweichungen reduziert und den Parametrierungsaufwand deutlich senkt. Das entwickelte Framework ermöglicht ein durchgängiges Training in der Simulation, einen effizienten Transfer auf reale Fahrzeuge und adressiert gezielt die Herausforderungen des Transfers lernbasierter Methoden von Simulation in die reale Fahrumgebung (Sim to Real Gap). Darüber hinaus wird eine kontinuierliche Adaption im Fahrbetrieb realisiert. Anhand umfangreicher Simulations- und Fahrversuche für Längs- und Querführung wird die Leistungsfähigkeit des Ansatzes unter unterschiedlichen Bedingungen analysiert. Die Arbeit liefert damit einen praxisnahen Beitrag zur robusten, adaptiven und skalierbaren Auslegung zukünftiger automatisierter Fahrfunktionen.