利用行为克隆将策略学习简化为监督学习，但忽略因果关系可能导致因果误识问题，可通过相应的干预（环境交互或专家查询）确定正确的因果模型来解决。研究表明，该问题在多个领域中都存在，例如控制问题和驾驶问题，并经过了与 DAgger 等基线和消融进行验证。

May, 2019

通过利用模拟器而无需进一步访问专家演示，我们证明了一类广泛存在的问题，这些问题可以在理论和实践上缓解移量漂移的影响，并详细说明了需要新的标准化基准来捕捉机器人问题中的现象。

Feb, 2021

研究表明在模仿学习中，学者提出了一个非参数图形标准来确定模仿的可行性，并建立了一个有效的程序来从专家轨迹中学习模仿策略。

Aug, 2022

本文提出了在部分观测到的情况下，对于专家动作序列上的重复利用问题的对抗性解决方案，以提高在多个部分观测的模仿学习任务中的性能。

Oct, 2020

本文提出一个包含鉴别器的行为克隆学习方法，用于解决之前的学习策略容易被困入错误局部最小值的问题，避免了人工干预的需要，利用鉴别器计算得到过渡函数从而帮助学习。

Apr, 2023

使用因果不变性作为对抗训练模型的正则化原则，以缓解模型吸收专家数据中的虚假相关性，并在二维示例环境和高维机器人运动基准任务中展示了正则化公式的有效性。

Aug, 2023

本文提出了一种基于多阶段视觉 Transformer 的多任务学习代理，通过传播车辆状态和环境表示作为 Transformer 的特殊令牌，并从不同角度解决了惯性和离线与在线性能之间的低相关性问题。在实验中，我们观察到惯性显著减少，并且离线和在线指标之间有很高的相关性。

Oct, 2023

本文提出了 ReCCoVER 算法，该算法可以在出现因果混淆的情况下增强深度强化学习智能体的透明度和可靠性，并为开发人员提供基于实际状态空间的特征选择建议。

Mar, 2022

本文提出了一种基于生成式反向动力学模型的行为克隆方法以解决自我学习表现不佳的问题，利用模型产生短期想象轨迹进行训练，提高了模型的健壮性和适应性。

Oct, 2022

基于视觉观测的模仿学习的研究，在部分可观察环境中，引入了基于状态潜在转换分布的上界来分析学习代理的次优性，并提出了一种名为潜在对抗性观测模仿学的算法，在高维连续机器人任务中表现出与最先进的性能，同时提供显著的计算优势，并可以利用专家视频来提高从像素进行强化学习的效率。

Sep, 2023