› Artykuł autorstwa Deepthi Pathare, Leo Laine i Morteza Haghir Chehreghani został zgłoszony do arXiv 26 stycznia 2026 roku, a jego ostatnia wersja pochodzi z 9 października 2026 roku.Problem, który autorzy chcieli rozwiązaćKlasyczne podejście do uczenia przez wzmacnianie polega na tym, że system dostaje jedną liczbę jako nagrodę - sumę wszystkich celów, które ma realizować.
› Autorzy wskazują, że taki sposób "agregowania wielu często sprzecznych celów może przesłaniać strukturę ich kompromisów".
› Innymi słowy: gdy bezpieczeństwo, czas i koszty paliwa zostają wrzucone do jednego worka, model nie wie tak naprawdę, czemu poświęca jedno na rzecz drugiego.W przypadku ciężkich pojazdów użytkowych problem jest szczególnie wyraźny, bo te pojazdy muszą równoważyć wymagania bezpieczeństwa, efektywności i kosztów operacyjnych w warunkach komercyjnych - gdzie każda decyzja ma konkretne przełożenie na pieniądze i czas dostawy.Co zaproponowali autorzyRozwiązaniem jest framework nazwany przez autorów "preference-conditioned multi-objective reinforcement learning" - czyli uczenie przez wzmacnianie z wieloma celami, warunkowane preferencjami.
› Zamiast jednej nagrody, system jawnie reprezentuje trzy oddzielne cele: bezpieczeństwo (mierzone liczbą kolizji i skutecznością dotarcia do celu), efektywność energetyczną (mierzona kosztem energii) oraz efektywność czasową (mierzona kosztem kierowcy).Do nauki polityk zachowania autorzy wykorzystali dwie techniki: Generalized Policy Improvement oraz Proximal Policy Optimization.