robomimic自带几个高质量的离线学习算法的实现，包括模仿学习和强化学习，并提供相关工具来辅助你轻松构建自己的学习算法。

一、模仿学习（Imitation Learning）

1. BC (Behavioral Cloning)

Vanilla Behavioral Cloning, 旨在通过监督学习方式，将观察（状态）映射为行动（动作），以模仿人类或其他专家的行为。这种方法的核心思想是将专家的示范数据用作训练集，让模型学习专家在特定环境下的行为决策方式。

算法位置：Implemented in the BC class in algo/bc.py

包含一些变体如 BC_GMM (stochastic GMM policy) and BC_VAE (stochastic VAE policy)。

PS：均在bc.py中可找到

2. BC-RNN

Behavioral Cloning with an RNN network，在BC基础上，结合循环神经网络（RNN，Recurrent Neural Networks）的一种模仿学习方法。它适用于序列数据或时间依赖性任务，能够利用历史状态信息来预测当前的动作，旨在处理具有时间关联的行为决策问题。

算法位置：Implemented in the BC_RNN and BC_RNN_GMM (recurrent GMM policy) classes in algo/bc.py

3. BC-Transformer

Behavioral Cloning with an Transformer network，将Transformer引入BC的一种先进模仿学习方法。与 BC-RNN 类似，BC-Transformer 旨在处理具有时间依赖性或序列特征的任务，但通过利用 Transformer的自注意力机制，它克服了RNN网络的一些局限性，如长序列处理中的梯度消失问题。

算法位置：Implemented in the BC_Transformer and BC_Transformer_GMM (transformer GMM policy) classes in algo/bc.py

4. HBC

Hierarchical Behavioral Cloning，是BC一种层次化扩展版本，通过引入层次结构（Hierarchy），将行为克隆任务分解为多个层次，适合处理复杂的多步任务或需要长时间规划的场景。相比于普通BC，HBC能够更好地处理复杂决策，尤其是在任务分解或多阶段决策中具有优势。

算法位置：Implemented in the HBC class in algo/hbc.py

二、离线强化学习（Offline Reinforcement Learning）

1. IRIS (Iterative Reweighted Policy Iteration with Sampling)

IRIS: Implicit Reinforcement without Interaction at Scale for Learning Control from Offline Robot Manipulation Data

IRIS通过对Policy和价值函数进行迭代优化，最大化从Batch Data中学到的策略表现

核心思想：

Policy Iteration：IRIS 使用迭代加权政策优化，通过分阶段优化政策和价值函数来改进策略

Reweighting：在优化过程中，IRIS 通过对样本的权重进行动态调整，使得与当前策略最相关的状态和动作在训练过程中具有更高的权重

Sampling：IRIS 还在采样策略上进行改进，确保采样分布更加关注那些对策略表现提升最为关键的状态和动作

算法位置：Implemented in the IRIS class in algo/iris.py

2. BCQ (Batch-Constrained Q-learning)

Off-Policy Deep Reinforcement Learning without Exploration

BCQ解决了传统Q-learning在离线数据中的Distributional Shift问题

核心思想：

Batch Constraint：BCQ 通过约束学习的 Q 函数，使其只能选择与训练数据（批量数据）中类似的动作，避免从未见过的数据中推断出不合理的策略

Perturbation Model：BCQ 使用一个小的扰动模型，允许对动作进行微调，从而保证策略的探索性和稳定性

算法位置：Implemented in the BCQ class in algo/bcq.py

3. CQL (Conservative Q-Learning)

Conservative Q-Learning for Offline Reinforcement Learning

CQL目标是通过对Q值进行保守估计，防止策略选择未知的、可能次优的动作

核心思想：

Conservative Estimation：CQL 在优化Q函数时，主动压低对未观测到的状态-动作对的Q值估计，从而确保策略不会倾向于选择离线数据中未见过的动作

Penalizing Actions Outside the Batch：CQL 会对不在离线数据中的动作进行惩罚，从而使得策略更加集中在已知的安全动作上

算法位置：Implemented in the CQL class in algo/cql.py.

4. IQL (Implicit Q-Learning)

Offline Reinforcement Learning with Implicit Q-Learning

IQL采用了隐式策略优化方法，通过隐式Q函数估计避免显式的策略约束

核心思想：

Implicit Policy Optimization：IQL不直接学习策略，而是通过优化Q函数的目标，隐式地引导策略的更新

Advantage-Based Updating：IQL 通过只更新高于某一阈值的策略来减少错误策略更新的可能性

算法位置：Implemented in the IQL class in algo/iql.py.

5. TD3-BC

A Minimalist Approach to Offline Reinforcement Learning

TD3 是一种用于连续控制任务的强化学习算法，通过延迟更新和双重网络结构来减少过度估计和提高策略的稳定性

核心思想：

Behavioral Cloning：TD3-BC 结合了行为克隆技术，通过直接模仿离线数据中的策略行为，从而加速训练并避免离线数据带来的偏差问题

算法位置：Implemented in the TD3_BC class in algo/td3_bc.py