本研究探讨了人类对相互理解的内在动机，发现即使没有外部奖励，人们仍然渴望理解他人。模拟结果表明，强调内在奖励能够促进智能体优先选择互动，从而推动合作。

本研究探讨了内在动机在开放世界探索中的作用，比较了人类与AI智能体在复杂环境中的行为。研究发现，熵和赋权与人类的探索进展正相关，建议将这两个目标用于智能体的内在奖励设计。早期探索应重视状态多样性，而高级探索则应优先考虑控制能力。

本研究提出了一个计算模型，解决自我决定理论中的“能力需求”模糊问题，结合强化学习，推动心理学理论发展，深化对内在动机的理解。

本文探讨了内在动机在深度强化学习中的重要性，比较了不同内在奖励机制对学习行为的影响。研究表明，内在奖励与学习者的内省能力密切相关，并提出结合内在动机与模仿学习的优化方法，以应对稀疏奖励的挑战。此外，介绍了模块化框架RLeXplore，提供多种内在奖励算法的实现。

该研究提出了一种神经符号强化学习架构，旨在克服深度学习的局限性，如对数据的高需求和缺乏透明性。通过简单游戏实验验证了该架构在学习和性能提升方面的有效性，并探讨了内在动机、任务表示方法及知识迁移等问题，提出了多种新模型和框架，以提高深度强化学习的效率和适应性。

本研究探讨了强化学习中的稀疏奖励问题，提出了一种结合好奇心驱动探索与无监督辅助任务的新方法。通过内在动机学习和模仿学习优化探索行为，提升样本效率和泛化能力。同时，研究介绍了多智能体内在奖励框架及其在复杂环境中的应用，强调内在奖励的重要性。

最近出现了大量的内在动机（IM）奖励塑造方法来学习复杂和稀疏奖励的环境。我们提出了一个扩展的潜在基于奖励塑造（PBRS）方法，保留了最优策略集。同时，我们还提出了一种名为“基于潜在的内在动机”（PBIM）的方法，将IM奖励转化为基于潜在的形式，而无需改变最优策略集。在测试中，我们证明PBIM成功防止了智能体收敛到次优策略并且可以加速训练。

本文研究了强化学习中探索的挑战，提出了基于内在动机的复杂启发式探索策略来解决稀疏奖励下的任务。实验表明，该策略在高维状态空间和策略外奖励下的各种环境中表现出色，优于其他启发式探索技术。