掌握一款视频游戏需要技能、战术和策略。虽然这些属性可能被人类玩家自然地习得，但将其教授给计算机程序则是一项更为艰巨的任务。近年来，强化学习领域进行了大量研究，并引入了多种算法，旨在学习如何执行人类任务，例如玩视频游戏。因此，街机学习环境（Arcade Learning Environment, ALE）（Bellemare等人，2013年）已成为一个常用的基准环境，允许算法在各种Atari 2600游戏中进行训练。在许多游戏中，最先进的算法已经超过了人类的表现。本文介绍了一种新的学习环境——复古学习环境（Retro Learning Environment, RLE），该环境可以在超级任天堂娱乐系统（Super Nintendo Entertainment System, SNES）、世嘉创世纪（Sega Genesis）和其他几款游戏机上运行游戏。该环境具有可扩展性，可以轻松添加更多的视频游戏和游戏机，同时保持与ALE相同的接口。此外，RLE兼容Python和Torch。由于SNES游戏的复杂性和多样性更高，它们对当前的算法构成了显著的挑战。