发表时间：2021（ICML 2021）
文章要点：这篇文章提出一个更新policy的方式，结合regularized policy optimization 以及model learning as an auxiliary loss。最后直接用policy net输出动作，不做搜索，就能有很好的效果。
具体的，作者提出了clipped MPO (CMPO) regularizer的更新方式。Regularizer为KL散度
有了Regularizer之后，更新就是PG
接着就是用model学一个辅助任务，在model里执行k步，然后有一个policy,用来和真实环境里的policy算一个KL的约束
然后差不多就结束了。作者在这前其实还提了一些设计思路和需要考虑的东西，感觉有点废话，不过还是放到这里
总结：感觉主要的地方已经变成policy optimization了，muzero里面的learned model，tree search基本上都被弱化了，就有点不像是search的算法了。
疑问：里面解释了很多有的没的，没有细看。