一种基于技能驱动的人类偏好行为的应用方法及装置

本发明提出了一种基于技能驱动的人类偏好行为的应用方法及装置，方法包括：S10，基于无标注的智能体环境交互数据，通过无监督技能预训练进行技能学习，获得技能轨迹，并存入缓冲区；S20，通过查询选择机制在缓冲区中选择待标注技能轨迹对，并根据人类偏好进行人工标注；S30，基于人工标注的技能轨迹对训练强化学习模型，以获得用于对智能体进行控制的控制决策模型。本发明显著提升了智能体控制任务的查询可区分性，降低标注噪声；本发明增强了智能体控制的鲁棒性，降低对标注数据的依赖；而且，本发明兼容多种技能发现方法，扩展智能体控制领域的应用场景。