本文研究了偏好的强化学习（PbRL）在复杂任务中的应用，提出了逆偏好学习（IPL）和对比偏好学习（CPL）等新算法，以提高学习效率和鲁棒性。通过动态感知奖励函数和个性化学习方法，克服了传统方法的局限性，显著提升了机器人操作等任务的性能。研究强调了人类偏好在奖励设计中的重要性，并展望了未来的发展方向。

本文介绍了多目标强化学习和逆强化学习的最新研究进展，包括基于广义Bellman方程的算法、双层优化框架和逆偏好学习（IPL）算法。这些方法在不同任务中表现优越，尤其在离线设置下，通过动态选择子目标和专家数据引导学习，提高了学习效率和策略表现。