上一篇博客讲述了奖励稀疏时的训练方法。实际场景中，可能难度还会更大一些。很多场景很难有一个明确的reward，甚至没有reward。那么这里就提出模仿学习，即agent模仿expert的操作。具体两个方法是：Behavior Cloning、Inverse Reinforcement Learning

Behavior Cloning

动作克隆，其实本质上就是有监督学习，以自动驾驶为例子，让agent自己去开，不现实。一般的做法就是收集很多人类驾驶的训练样本，图中的s是开车的场景，a是在此场景下做出的动作。把这些资料输入到Neural Network中，使网络输出的动作能尽可能接近实际人类做出的动作，就完成任务。

但这个Behavior Cloning也是有缺点，expert通常是很有经验的，比较少犯错的。比如在驾驶中，expert是很少会在转弯中会撞墙。所以缺少了这部分的样本，agent在这些情况下就不知道如何处理

这时候可以引入Dataset Aggregation可以缓解这个问题。

1. 通过行为模仿，训练一个actor ${\pi }_1$
2. 让${\pi }_1$去与环境做互动
3. 遇到不同state的时候，${\pi }_1$询问expert的做法，但是不会采取expert的做法，如果这时候导致episode结束，那就拿着新数据（expert的做法作为label）训练。
4. 这时actor就知道在快要撞墙的时候要采取什么样的动作，然后用这个新的data去训练新的${\pi }_2$。
5. 重复1-4

即使采用了Dataset Aggregation的Behavior Cloning，也有它的缺点，比如每次训练都需要expert试错，在特定的场景，比如自动驾驶，以撞车收集数据肯定不可行。其次expert不是所有行为都是好的，需要学习的。最关键的一点，强化学习的问题多数属于马尔科夫链，即下一个状态只和上一个状态有关，那所以上一个状态是错的，下一个状态就跟着错了，一步错步步错。那这个expert缺少这种数据，所以引导也很有限。

Inverse Reinforcement Learning

反向强化学习，比较通俗的解释就是，先射箭再画靶。

正常的Reinforcement Learning的步骤，是通过Environment和Reward function，最终更新出理想的Actor。

Inverse Reinforcement Learning的步骤，由于没办法从Environment获得reward，那就通过收集expert的训练数据和Environment的信息，来反推Reward function，推出Reward function再用以前的Reinforcement Learning的方法来训练Actor。

在具体的训练中，我们如何实操？

1. 让expert $\hat{\pi }$去玩游戏，记录游戏过程，形成n个$\hat{\tau }$，每个$\hat{\tau }$代表一个episode。
2. 让actor $\pi$去玩游戏，记录游戏过程，形成n个$\tau$。
3. 设定一个reward function，这个reward function强制要求expert的累计得分一定要高于actor的累计得分。
4. 用这个reward function训练出一个新的actor $\pi$，如果它的reward已经比expert高了，那就修改reward function，使得其$\pi$获取的reward还是比expert低。
5. 重复1-4

这个过程其实和GAN的训练很像，reward function就是一个判别器，actor则是一个生成器。actor需要不断提高自己，使得在新的reward function下，得到的reward越高越好。

Third Person Imitation Learning

第三人称视角的模仿学习，顾名思义，agent会观看expert的行为进行学习，这也是一个拟人的过程。这里就不展开讲解了，仅做记录。

Recap: Sentence Generation & Chat-bot

最后，也可以将强化学习用在句子生成上，即expert给定很多对话的素材，agent通过学习这些素材来生成人类会回答的句子。