发表时间：2019
文章要点：文章分析了Dyna这种model based方法，用model去生成one-step的transition和n-step的transition的区别，得出的主要结论是one-step的transition基本上没有任何帮助，还不如直接用现有的buffer多更新几次网络（similar sample efficiency gains could be obtained simply by performing more model-free updates on the data the agent had already gathered）。要想有用，就要用model去生成unfamiliar的样本。然后作者就通过model planning生成更长的轨迹，而不是只生成一步的方式来说明这个方式是有效的（planning with longer rollouts yields dramatic improvement when using a perfect model.）。不过另一方面，作者也说了，用Dyna的模式一边学model，一边学value，效果很差，基本没有提升（With a learned model, performance will likely be worse due to model errors,）。从下面的图里也能看出来，不管是预训练学一个model，还是一边做RL一边学model，效果都不行

实验具体设计就是对rollout长度做对比，作者做的实验就是控制总的planning的step数量，然后改变轨迹长度，比如100x1表示100条长度为1的rollouts, 10x10表示10条长度为10的rollouts。然后model要么直接提供perfect model，要么用数据集先学一个fixed model，再或者就online去学model。
总结：一个可以想象到的结论，不过也给我们启示，要想效果好，就需要能探索并且得到多样化的样本。这其实也给我们指了一条路，就是去model里面做更多的探索，这也可以保证RL更safe。另外，因为model error会使得效果更差，所以planning的时候需要判断模型准不准，然后确定planning长度。
另外，planning 100的长度对于一个随便就上千步一局的游戏来说也并不长其实，而且和环境多交互几次也能得到多样性的样本，这就解释了为啥直接在环境里执行交互次数+planning次数那么多的step，其实得到的样本多样性并不比planning得到的差。
疑问：既然rollout长才有用，但是如果model是学的，那长的rollout误差也会更大，所以这个不准确的model也不会带来好处了。这么看的话，planning很鸡肋啊？
另外，即使是在perfect model上做很长的planning，效果还是比不过直接在环境里学交互次数+planning次数那么多的step，那既然这样，如果不考虑和环境交互次数的限制的话，model和planning简直一无是处啊。。。
关于对比DQN Extra Updates，Rollout-Dyna-DQN比DQN Extra Updates效果好，作者解释是Rollout-Dyna-DQN的样本更加多样化，所以更好。我感觉是因为作者总共就只和环境交互了100K step的原因吧，如果大家都和环境交互个1e6，2e6，这个多样性的差距应该就被抹平了吧？