プリミティブ情報に基づく好み学習を用いた報酬再ラベリングによる階層強化学習

プリミティブ情報に基づく好み学習を用いて報酬モデルを学習し、その報酬モデルを使って階層的な replay buffer の報酬を再ラベリングすることで、階層強化学習における非定常性の問題を解決する。また、プリミティブ情報に基づく正則化を行うことで、上位レベルの方策が下位レベルの方策に対して達成可能なサブゴールを生成するようにする。