发表时间：2019（NeurIPS 2019）
文章要点：文章简单理论分析了一下model-based RL的单调收敛，然后做实验验证生成很多的短的rollouts会有比较好的效果（using short model-generated rollouts branched from real data has the benefits）。
具体的，文章提出了一个model-based policy optimization (MBPO),其实这个算法和别的方法没啥大区别，就是trajectory在真实的environment里面很长，但是用model生成数据的时候只生成短的。然后model训练了多个，用ensemble的方式来度量uncertainty。然后具体算法结合的SAC，实验做的continuous control。关于理论部分，给了一个很松的bound，说了当没说，对实际没啥指导，这里不细写了。
总结：感觉很水啊，还是Berkeley的文章，还是NeurIPS，搞不懂了。这个MBPO和其他model based方法也没啥区别啊，这也能写出来的吗。
疑问：文章里说single-step model rollouts (H = 1) provide a surprisingly effective baseline，之前《The Effect of Planning Shape on Dyna-style Planning in High-dimensional State Spaces》里面说生成1-step的transition还不如直接用buffer，这就尴尬了啊。。。个人感觉之前那篇文章更靠谱啊。