Reinforcement Learning (RL) zielt darauf ab, eine optimale Verhaltensstrategie durch eigene Experimente zu erlernen, anstatt auf regelbasierte Steuerungsmethoden zurückzugreifen. Dennoch existiert bisher kein RL-Algorithmus, der eine Aufgabe so komplex wie den urbanen Fahrzeugbetrieb bewältigen kann. Wir präsentieren eine neuartige Technik, die als implizite Affordanzen bezeichnet wird, um RL effektiv für den urbanen Fahrzeugbetrieb einzusetzen – inklusive Spurhalten, Vermeidung von Fußgängern und anderen Fahrzeugen sowie der Erkennung von Ampeln. Soweit uns bekannt ist, sind wir die ersten, die einen erfolgreichen RL-Agenten vorstellen, der eine derart komplexe Aufgabe bewältigt, insbesondere hinsichtlich der Ampelerkennung. Darüber hinaus haben wir die Wirksamkeit unserer Methode durch den Sieg im „Camera Only“-Wettbewerb des CARLA-Challenges nachgewiesen.