通过学习动态感知奖励函数，可以提高偏好基础增强学习的采样效率。使用50个偏好标签的方法在四足行走、行走者行走和猎豹奔跑中达到与使用500个偏好标签相同的性能，并恢复了83%和66%的地面真实奖励策略性能。这些结果证明了学习动态感知奖励模型的好处。

通过学习动态感知奖励函数，可以提高偏好基础增强学习的采样效率。使用50个偏好标签的方法可以达到与使用500个偏好标签相同的性能，并恢复了83%和66%的地面真实奖励策略性能。这些结果证明了学习动态感知奖励模型的好处。

通过学习动态感知奖励函数，可以提高偏好基础增强学习的采样效率。通过迭代学习动态感知的状态 - 行动表示并从中引导基于偏好的奖励函数，可以实现更快的策略学习和更好的最终策略性能。在四足行走、行走者行走和猎豹奔跑中，通过50个偏好标签，性能与现有方法的500个偏好标签相同，并恢复了83%和66%的地面真实奖励策略性能，而它们分别只有38%和21%。这些性能提升证明了明确学习动态感知奖励模型的好处。