一种基于多维人类反馈融合的人机强化学习方法

一种基于多维人类反馈融合的人机强化学习方法，包括通过专家演示，基于策略生成器和鉴别器进行生成式对抗模仿学习，使得策略生成器学到的策略无法被鉴别器区分，得到演示奖励函数；利用用户的轨迹偏好，得到符合用户偏好的偏好奖励函数；融合演示奖励函数和偏好奖励函数，得到统一奖励函数，并通过动态奖励权重调整策略解决演示奖励函数与偏好奖励函数之间的冲突。本申请可以克服单一反馈所带来的限制以及多个反馈源之间存在的潜在冲突，增强了奖励函数的鲁棒性和连贯性。