Google发布了一个用于记录、重播、操作、注释和共享资料，来支持串行决策，包括脱机增强学习、模仿学习或是演示学习的资料生态系统增强学习资料集（RLDS）。RLDS能够让用户在不需要了解底层格式，也不遗失任何资料的情况下，简单地共享资料集，供研究人员在广泛的任务中，共享和重用资料来测试算法。
大多数增强学习和串行决策算法，都需要从与环境大量交互中取得训练资料，来实现最佳性能，Google提到，这是很低效率的方法，尤其是当进行这些交互特别困难时，也就更难以收集资料，像是要以真实机器人收集资料，或是与人类专家交互时。
虽然这个问题可以通过重用外部知识来源解决，像是RL Unplugged Atari资料集，就包含游戏代理玩Atari游戏的资料，但这同样存在一些问题，像是这些资料集很少，而且串行决策生成资料的方式各异，研究人员表示，整个社群都只能使用这些数量极少，且不具代表性的资料集，使得这个方法也显得不切实际。
另外，部分资料集仅以适用特定算法的形式发布，这也阻挡了其他研究人员重复使用这些资料的可能性，像是资料没有包含与环境交互的顺序，而是一组随机交互的资料，如此便无法重建资料之间的关系，或是部分资料集可能以些微相异的格式发布，而这也使得细微错误难以被发现。
为了解决这个问题，研究人员发展出了RLDS，通过记录任何类型的代理和环境交互，来生成资料集，为了保有其可用性，原始资料以无损格式存储，通过记录产生的所有资料，保持资料项目之间的时间关系，并且不对资料的使用目的进行任何假设。
RLDS提供了两个工具，分别是EnvLogger和RLDS Creator。EnvLogger是一个以开放格式记录代理和环境交互的软件函数库，可记录代理和环境的交互，并且将这些信息保存在长期存储中，EnvLogger目前已经集成到RLDS生态系统中，但是Google将其设计成独立函数库，来实现模块化。
收集用于增强学习的人类资料，是一个耗时且劳力密集的过程，过去通常是通过群众外包的方式来解决，但这需要友善的工具，以方便大量参与者帮忙，在RLDS生态系统中，RLDS Creator是一个网页工具，提供浏览器的通用接面，使研究人员能够创建可控的环境，让参与者与环境交互，像是在线上玩Atari游戏，并且记录和存储所有交互资料，供之后分析和训练代理使用。
RLDS和TensorFlow资料集（TFDS）集成，一旦RLDS资料集成为TFDS的一部分，便会在TFDS目录中加入索引，任何研究人员便可以使用TFDS的函数访问，并且以Tensorflow或Numpy格式加载资料，目前在TFDS中兼容于RLDS的资料集，包括RLUnplugged DMLab、Atari和Real World RL资料集，还有使用RLDS工具所生成的三个Robosuite资料集等。