離線強化學習算法 (Offline RL) 是當前強化學習最火的子方向之一。離線強化學習不與環境交互，旨在從以往記錄的數據中學習目標策略。在面臨數據收集昂貴或危險等問題，但是可能存在大量數據領域（例如，機器人、工業控制、自動駕駛），離線強化學習對比到在線強化學習（Online RL）尤其具有吸引力。

在利用貝爾曼策略評估算子進行策略評估時，根據 X 的不同可以把當前的離線強化學習算法分為 RL-based (x=π)和 Imitation-based (x=μ), 其中π為目標策略，μ為行為策略 （注：目標策略：進行學習更新的策略；行為策略：離線數據中的策略）。當前，不管是 RL-based 還是 Imitation-based， 都有各自優勢以及劣勢：

1.RL-based 優勢：可以進行數據外的泛化，最后達到學習到超越行為策略的目標策略。劣勢：需要在策略評估中準確的價值估計（更多的行為正則化）和策略提升（更少的行為正則化）之間進行權衡。在策略評估過程中，如果選取了數據分布外的動作，無法準確估計動作價值函數（action-state value），最后導致的目標策略學習失敗。

2.Imitation-based 優勢：因為在策略評估的過程中都是數據分布內的動作，既可以帶來訓練的穩定性，又避免了數據分布外的策略評估，可以學習到接近行為策略庫中最好的策略。劣勢：因為都是采取數據分布內的動作，所以很難超越原數據中存在的行為策略。

POR 基于此，既能避免策略評估過程中的權衡，也能擁有數據外泛化的能力。該工作已被 NeurIPS 2022 接收，并被邀請進行口頭匯報（oral presentation）論文和代碼均已開源。

• 論文：https://arxiv.org/abs/2210.08323
• 代碼：https://github.com/ryanxhr/POR

state-stitching vs. action-stitching

• 任務：走格子，終點在右上角，起點在右下角。找到最短從起點到終點的路徑。
• 規則：智能體可以在任何一個格子選擇它周圍的八個格子，走到終點給與獎勵 1，其他所有的行為獎勵都是 0。
• 數據：綠色的行走路徑是已有的路徑數據。

之前的 imitation-based 算法都是使用 action-stitching: 拼湊數據中可用的軌跡以達到目標策略的學習。如視頻中藍色的軌跡，是在 action-stitching 下能夠學習到的最好軌跡，但是在數據外無法進行有效的泛化，從而學習到超越數據中行為策略的目標策略。但是，POR 通過解耦式的學習范式，能夠讓目標策略進行有效的泛化，從而超越行為策略的表現。

如何實現 state-stitching? 

Policy-guided Offline RL (POR)的學習過程分為三步，這三步是分別解耦的，互不影響。值得注意的是，POR 全程都是基于 imitation-based 的學習，也就是樣本內的學習(in-sample learning)，不會對數據分布外的動作進行價值評估。

1. 利用分位數回歸學習價值函數的置信上界。

2. 利用已經學習到的價值函數學習指導策略，該指導策略可以在給定當前的狀態下，生成到樣本內的下一步最優的狀態位置(s')。后面一項作為約束項保證生成的狀態滿足 MDP 條件。

3. 利用數據中所有的樣本進行學習一個執行策略，該執行策略在給定當前狀態（s）和下一步的狀態 (s') 之后，能夠采取正確的動作從當前狀態（s）移動到下一步狀態（s')。

在測試過程，根據當前狀態信息（s），先通過指導策略給出下一步的最優狀態（s'）。

給定(s, s')，執行策略能夠進行動作選取和執行。雖然 POR 的整個學習過程都是樣本內的學習，但是可以利用神經網絡的泛化性能進行數據外的泛化學習，最后實現 state-stitching。

實驗

作者對比了 POR 和其他算法在 D4RL Benchmark 上的表現。從表格來上看，POR 在次優數據上的表現非常亮眼，在具有更大難度 Antmaze 任務上的表現均取得最優的算法性能。

同時，作者對比了 POR(state-stitching) 和 IQL(action-stitching)的訓練曲線，以表現 state-stitching 的優勢。

解耦有哪些額外的好處

1. 重新學習指導策略以實現算法的性能提高。

真實的世界中往往存在?量的次優甚?隨機的數據集 (D_o)，如果直接引入到正在學習的原始數據集 (D_e) 上可能會導致學到?個較差的策略，但是對于解耦式學習算法來講，針對到不同的組件，學習不同的數據集來提升表現。在學習價值函數的時候往往是越多的數據集越好，因為可以把價值函數可以學得更準確；相反，策略的學習是不希望引入 (D_o)。

作者對比了三個不同的算法在不同訓練場景下的表現：

1. Main : 在原始數據集上 (D_e) 進行學習，不引入額外次優數據集。

2. More：把原始數據集 (D_e) 和新數據集（D_o）進行混合，作為新的數據集進行學習。

3. Mix: 對于解耦的算法，對于不同的學習部分，可以用不同的數據集進行學習，所以只有 POR 可以有 Mix 的學習范式。

從上圖可以看到，當加入新的次優數據一起訓練過后(More)，可能會導致比原來的只用原始數據集（Main）表現更好或者更差，但是針對到可以解耦的訓練形式，用以 (D_o+D_e) 重新學習指導策略，作者實驗說明了更多的數據可以增強指導策略的擇優性和泛化能力，同時保持行為策略不變，從而實現了執行策略的提升。

4. 當面對新任務的時候，因為執行策略是和任務無關的，只需要重新學習指導策略。

為此，作者提出了三個任務分別是 (a): four-room: 要求 agent 從綠色方塊到紅色方塊。(b) 除了完成任務(a) 之外，要求 agent 不能觸碰河流。（c）除了完成任務（a）,(b)之外，要求 agent 必須獲得鑰匙才算完成任務。

上圖，是完成策略學習之后，對策略進行 50 次的 rollout 的軌跡，在任務 (b) 和任務 (c) 作者沿用任務 (a) 的執行策略，只重新學習了指導策略。從上圖可以看出，解耦的學習方式可以在使用盡可能少的計算資源之下，完成任務的遷移。