最大许可奖励机

奖励机允许为时间上扩展的任务和行为定义奖励。指定“信息丰富”的奖励机可能具有挑战性。解决此问题的一种方法是使用 AI 规划等技术，从学习环境的高级抽象描述中生成奖励机。然而，先前基于规划的方法基于单个（顺序或偏序）计划生成奖励机，并且不允许学习代理具有最大的灵活性。在本文中，我们提出了一种基于目标偏序计划集合来合成奖励机的新方法。我们证明，使用这种“最大许可”奖励机进行学习，比使用基于单个计划的奖励机进行学习能获得更高的奖励。我们展示了实验结果，这些结果支持我们的理论主张，表明我们的方法在实践中比单计划方法获得了更高的奖励。