发表时间：2019（ICML 2019）
文章要点：文章提出了一个叫Deep Planning Network (PlaNet)的模型来学习环境的dynamics，然后用online planning的方式在这个模型构建的latent space上进行planning得到action。这里面的关键就是model要能够准确预测多步的reward（the dynamics model must accurately predict the rewards ahead for multiple time steps），作者的方法同时考虑了dynamics的确定性和随机转移，并将目标函数转换成一个multi-step variational inference objective进行训练，取得了很好的效果。
具体的，这个PlaNet包含四个model，Transition model，Observation model，Reward model以及Encoder

有了这个model之后，policy就直接用online planning的方式去search得到，就不用网络去学了。作者用的是model-predictive control，具体来说作者用的是cross entropy method，CEM。
至于训练模型的数据，就是在planning得到的动作基础上加个噪声来收集数据。至于训练，作者用了一个叫recurrent state-space model (RSSM)的模型，之前所有的四个model Transition model，Observation model，Reward model以及Encoder都假设是高斯，encoder就是根据以前的所有观测和动作来预测状态，注意这个encoder是基于观测的，而transition是基于状态的。训练的目标函数为

然后作者为了把transition分成确定和不确定，还把Transition model分成了两个部分

这里h表示确定性的转移，s就表示基于h和随机转移产生的状态。
然后目前这个目标函数值考虑了一步的拟合，作者进一步考虑多步的拟合，也就是根据前面d步的状态，学习下一个状态

目标函数对应变成

然后再把latent overshooting加进来，这里latent overshooting我感觉就是之前的训练只考虑了d步，现在我要考虑任意步数

总结：感觉这个文章很晦涩，说了很多，但是又好像什么都没说，式子里面也没有完全体现出各个部分是怎么训练的，可能还是我太菜了啊，唉。
疑问：作者把这个训练的目标叫做latent overshooting，这个overshooting咋理解，就是考虑多步吗？
Contact dynamics是啥？
cross entropy method，CEM之前看过又忘了，还要再看看。
filtering posterior是啥，不懂。可能需要看看Kalman filter。
虽然目标函数看来是没啥问题，但是具体写到网络里是长啥样的，输入输出啥的还是不清楚，只能看代码了。
证明没有看。