การออกแบบและปรับจูนฟังก์ชันรางวัล (Reward Function) เป็นหนึ่งในความท้าทายหลักของการฝึกหุ่นยนต์ฮิวแมนนอยด์ด้วย Reinforcement Learning (RL) เพราะบ่อยครั้งที่รางวัลหนึ่งอาจใช้ได้ดีกับหุ่นยนต์ตัวหนึ่งแต่ล้มเหลวกับอีกตัว งานวิจัยนี้เสนอแนวทาง Multi-Potential-Based Reward Shaping (MPBRS) ซึ่งใช้ความแตกต่างของศักย์ไฟฟ้า (Potential differences) มาเป็นตัวนำทางการสำรวจของหุ่นยนต์ โดยไม่ทำให้พฤติกรรมเป้าหมาย (Optimal Policy) เปลี่ยนแปลงไป
จุดเด่นคือการสร้างโครงสร้างรางวัลแบบเป็นเอกภาพ (Unified Reward Configuration) ที่นำไปใช้ทดสอบกับหุ่นยนต์ฮิวแมนนอยด์ 9 รูปแบบที่แตกต่างกัน ผลการทดลองพบว่า MPBRS ช่วยให้การขยายขนาด (Scaling) ของรางวัลเป็นไปอย่างสม่ำเสมอและลดความอ่อนไหวต่อการปรับจูนน้ำหนักรางวัลลงอย่างมาก โดยใช้เพียงข้อมูล Metadata พื้นฐานของหุ่นยนต์ เช่น แผนผังข้อต่อและท่าทางเริ่มต้นเท่านั้น
