Maîtriser un jeu vidéo nécessite des compétences, des tactiques et une stratégie. Bien que ces attributs puissent être acquis naturellement par les joueurs humains, leur enseignement à un programme informatique est une tâche bien plus complexe. Au cours des dernières années, de nombreuses recherches ont été menées dans le domaine de l'apprentissage par renforcement, et de nombreux algorithmes ont été introduits, visant à apprendre comment effectuer des tâches humaines telles que le jeu vidéo. En conséquence, l'Arcade Learning Environment (ALE) (Bellemare et al., 2013) est devenu un environnement de référence couramment utilisé permettant aux algorithmes de s'entraîner sur divers jeux Atari 2600. Dans de nombreux jeux, les algorithmes d'avant-garde surpassent les humains. Dans cet article, nous présentons un nouvel environnement d'apprentissage, le Retro Learning Environment --- RLE, capable d'exécuter des jeux sur la Super Nintendo Entertainment System (SNES), la Sega Genesis et plusieurs autres consoles de jeu. Cet environnement est extensible, ce qui permet d'ajouter facilement davantage de jeux vidéo et de consoles tout en conservant la même interface que l'ALE. De plus, le RLE est compatible avec Python et Torch. Les jeux SNES représentent un défi considérable pour les algorithmes actuels en raison de leur niveau élevé de complexité et de polyvalence.