发表时间：2021
文章要点：这篇文章把RL看作序列建模问题（sequence modeling problem），直接用transformer来拟合整个序列

（reats states, actions, and rewards as simply a stream of data，其实还拟合了reward-to-to return），拟合完了后就直接用这个transformer来做预测，中间还用了beam search来选候选动作（beam search参见知乎链接）。然后和imitation learning，offline RL作比较，取得了相仿甚至更优的效果。注意这个模型只能处理离散化的输入，所以如果是连续空间，还要把state，action，reward都离散化。
总结：这篇文章和Decision Transformer很类似，而且都是伯克利的，感觉就是一群人干的。他想说这么做的好处就是避免了去学policy和value，就避免了RL里面遇到的很多问题。比如绕开用TD或者policy gradient方法去求，就不需要去设计复杂的约束，以及考虑估计不准等等问题了。好像说的有点道理，但是回过头来想，这不就是个模仿学习吗？你看他的实验还是只能在imitation learning ，offline RL这种上面做，其实就是因为它只有模仿或者说监督学习，没有policy improvement的过程。所以还是不能用在general RL的问题上，毕竟这个东西没法做policy improvement，就没法和环境交互产生新策略。
疑问：离散化的过程不知道原理：