一句话，Offline IL 的核心就是在静态数据集上加上约束——无论是保守 Q 值、隐变量还是扩散模型——目的只有一个：防止策略在数据集覆盖不到的状态下乱猜。说白了，它的精髓是“学分布，不学单点”。

核心问题：没法在线，也没人帮你

离线模仿学习的困境在于：不能与环境在线交互，也不能随时请求专家提供标注。手里能用的，只有一份固定的离线演示数据集。传统的行为克隆（BC）会遭遇协变量偏移，越跑越偏；DAgger 方法虽然好，但它需要专家在线指导；GAIL 或 IRL 这类方法又离不开环境交互。这些在离线场景下统统行不通。

所以，Offline IL 的目标非常明确：仅用静态数据集，学出一个足够鲁棒、能泛化的策略。

核心原理：别让策略在未知状态“放飞自我”

离线数据天生的短板是覆盖不足——训练集不可能穷尽所有状态空间。策略一旦访问到数据集里没见过的状态，就容易做出离谱的决策。解决方案自然就是约束策略，让它不要偏离数据集的覆盖范围太远，只在有数据支撑的状态上老老实实学。

主流方法：三种思路，各有侧重

方法1：保守 Q 学习（CQL / IQ-Learn）

思路很直接：在 Q 函数上动手脚。给 Q 值加一个惩罚项，让数据集之外那些动作的 Q 值被强行压低——这样一来，策略就不会被某些“虚高”的 Q 值误导，去尝试那些实际上很糟糕的动作。

算法：IQ-Learn（隐式 Q 学习）
输入：离线数据集 D = {(s,a,r,s")}
1. 初始化 Q 网络 Q_φ，目标网络 Q_target
2. for iter = 1 to N:
   # 标准 Bellman 更新
   Q_target = r + γ * max_a' Q_target(s', a')
   loss_bellman = MSE(Q(s,a), Q_target)
   # 保守性惩罚：数据集外的动作 Q 值要低
   # 对随机采样的动作 a' ~ π，压低其 Q 值
   loss_conservative = E[Q(s,a')]_random_a'   # 负号：拉低
   loss = loss_bellman + α * loss_conservative
   update Q_φ
3. 策略：π(s) = argmax_a Q(s,a)

方法2：条件行为克隆

换个思路：不学单点映射，而是学一个条件分布 p(a∣s, z)。这里的 z 是隐变量或上下文变量，用来表征同一种状态下专家可能存在的不同意图。这样一来，策略就有了多模态的表达能力——同样一个状态，可以根据不同的“意图”选择不同的动作。

算法：Conditional BC
输入：离线数据集 D = {(s,a)}
1. 训练条件 VAE：
   Encoder: z ~ q(z|s,a)        # 编码 (s,a) 到隐空间
   Decoder: a ~ p(a|s,z)        # 给定 (s,z) 重建动作
   loss = Reconstruction + KL(q(z|s,a) || N(0,1))
2. 推理时：
   z ~ N(0,1) 或从先验采样
   a = argmax_a p(a|s,z)        # 解码动作

方法3：扩散策略

再进一步：直接用扩散模型来建模动作分布 p(a∣s)。扩散模型天生擅长拟合复杂、多模态的分布，用来做策略生成，效果相当自然。

算法：Diffusion Policy
输入：离线数据集 D = {(s,a)}
1. 训练去噪网络 ε_θ(a_noisy, s, t)：
   for each (s,a) in D:
       noise = randn_like(a)
       a_noisy = √α_t * a + √(1-α_t) * noise   # 前向扩散
       pred_noise = ε_θ(a_noisy, s, t)
       loss = MSE(pred_noise, noise)
       update ε_θ
2. 推理：
   a_T = randn(action_dim)                    # 初始噪声
   for t = T → 1:                            # 反向去噪
       pred_noise = ε_θ(a_t, s, t)
       a_{t-1} = denoise_step(a_t, pred_noise)
   返回 a_0

方法对比