新方法 POR 对离线强化学习算法的策略评估和策略提升过程进行解耦式学习，完成了状态连接的思想。POR 既拥有了训练的稳定性，也拥有了稳定的逻辑范围内的数据外的泛化能力，在 Benchmark 上表现惊人，并提出了该解耦式学习范式的潜在好处。
离线强化学习算法 (Offline RL) 是当前强化学习最火的子方向之一。离线强化学习不与环境交互，旨在从以往记录的数据中学习目标策略。在面临数据收集昂贵或危险等问题，但是可能存在大量数据领域（例如，机器人、工业控制、自动驾驶），离线强化学习对比到在线强化学习（Online RL）尤其具有吸引力。
在利用贝尔曼策略评估算子进行策略评估时，根据 X 的不同可以把当前的离线强化学习算法分为 RL-based (x=π)和 Imitation-based (x=μ), 其中π为目标策略，μ为行为策略 （注：目标策略：进行学习更新的策略；行为策略：离线数据中的策略）。当前，不管是 RL-based 还是 Imitation-based， 都有各自优势以及劣势：
1.RL-based 优势：可以进行数据外的泛化，最后达到学习到超越行为策略的目标策略。劣势：需要在策略评估中准确的价值估计（更多的行为正则化）和策略提升（更少的行为正则化）之间进行权衡。在策略评估过程中，如果选取了数据分布外的动作，无法准确估计动作价值函数（action-state value），最后导致的目标策略学习失败。
2.Imitation-based 优势：因为在策略评估的过程中都是数据分布内的动作，既可以带来训练的稳定性，又避免了数据分布外的策略评估，可以学习到接近行为策略库中最好的策略。劣势：因为都是采取数据分布内的动作，所以很难超越原数据中存在的行为策略。
POR 基于此，既能避免策略评估过程中的权衡，也能拥有数据外泛化的能力。该工作已被 NeurIPS 2022 接收，并被邀请进行口头汇报（oral presentation）论文和代码均已开源。
，时长00:07
state-stitching vs. action-stitching
- 任务：走格子，终点在右上角，起点在右下角。找到最短从起点到终点的路径。
- 规则：智能体可以在任何一个格子选择它周围的八个格子，走到终点给与奖励 1，其他所有的行为奖励都是 0。
- 数据：绿色的行走路径是已有的路径数据。
之前的 imitation-based 算法都是使用 action-stitching: 拼凑数据中可用的轨迹以达到目标策略的学习。如视频中蓝色的轨迹，是在 action-stitching 下能够学习到的最好轨迹，但是在数据外无法进行有效的泛化，从而学习到超越数据中行为策略的目标策略。但是，POR 通过解耦式的学习范式，能够让目标策略进行有效的泛化，从而超越行为策略的表现。
如何实现 state-stitching?
Policy-guided Offline RL (POR)的学习过程分为三步，这三步是分别解耦的，互不影响。值得注意的是，POR 全程都是基于 imitation-based 的学习，也就是样本内的学习(in-sample learning)，不会对数据分布外的动作进行价值评估。
1. 利用分位数回归学习价值函数的置信上界。
2. 利用已经学习到的价值函数学习指导策略，该指导策略可以在给定当前的状态下，生成到样本内的下一步最优的状态位置(s')。后面一项作为约束项保证生成的状态满足 MDP 条件。
3. 利用数据中所有的样本进行学习一个执行策略，该执行策略在给定当前状态（s）和下一步的状态 (s') 之后，能够采取正确的动作从当前状态（s）移动到下一步状态（s')。
在测试过程，根据当前状态信息（s），先通过指导策略给出下一步的最优状态（s'）。
给定(s, s')，执行策略能够进行动作选取和执行。虽然 POR 的整个学习过程都是样本内的学习，但是可以利用神经网络的泛化性能进行数据外的泛化学习，最后实现 state-stitching。
实验
作者对比了 POR 和其他算法在 D4RL Benchmark 上的表现。从表格来上看，POR 在次优数据上的表现非常亮眼，在具有更大难度 Antmaze 任务上的表现均取得最优的算法性能。
同时，作者对比了 POR(state-stitching) 和 IQL(action-stitching)的训练曲线，以表现 state-stitching 的优势。
解耦有哪些额外的好处
1. 重新学习指导策略以实现算法的性能提高。
真实的世界中往往存在⼤量的次优甚⾄随机的数据集 (D_o)，如果直接引入到正在学习的原始数据集 (D_e) 上可能会导致学到⼀个较差的策略，但是对于解耦式学习算法来讲，针对到不同的组件，学习不同的数据集来提升表现。在学习价值函数的时候往往是越多的数据集越好，因为可以把价值函数可以学得更准确；相反，策略的学习是不希望引入 (D_o)。
作者对比了三个不同的算法在不同训练场景下的表现：
1. Main : 在原始数据集上 (D_e) 进行学习，不引入额外次优数据集。
2. More：把原始数据集 (D_e) 和新数据集（D_o）进行混合，作为新的数据集进行学习。
3. Mix: 对于解耦的算法，对于不同的学习部分，可以用不同的数据集进行学习，所以只有 POR 可以有 Mix 的学习范式。
从上图可以看到，当加入新的次优数据一起训练过后(More)，可能会导致比原来的只用原始数据集（Main）表现更好或者更差，但是针对到可以解耦的训练形式，用以 (D_o+D_e) 重新学习指导策略，作者实验说明了更多的数据可以增强指导策略的择优性和泛化能力，同时保持行为策略不变，从而实现了执行策略的提升。
2. 当面对新任务的时候，因为执行策略是和任务无关的，只需要重新学习指导策略。
为此，作者提出了三个任务分别是 (a): four-room: 要求 agent 从绿色方块到红色方块。(b) 除了完成任务(a) 之外，要求 agent 不能触碰河流。（c）除了完成任务（a）,(b)之外，要求 agent 必须获得钥匙才算完成任务。
上图，是完成策略学习之后，对策略进行 50 次的 rollout 的轨迹，在任务 (b) 和任务 (c) 作者沿用任务 (a) 的执行策略，只重新学习了指导策略。从上图可以看出，解耦的学习方式可以在使用尽可能少的计算资源之下，完成任务的迁移。
