模仿学习是强化学习 (RL) 中的一种技术，其重点是通过观察和模仿专家或训练模型的动作来教导代理执行任务。模仿学习使其能够利用现有的知识或演示，而不是仅仅依靠试错学习，即智能体探索环境以发现最佳操作。这种方法在通过直接RL获得良好行为将是低效的或需要大量时间和资源的情况下特别有用。
在实践中，模仿学习通常涉及从执行任务的专家那里收集状态-动作对的数据集。然后，代理通过尝试复制专家的决策来学习将状态映射到动作的策略。实现这一点的一种常见方法是通过监督学习，其中代理根据其行动与专家行动之间的错误来调整其策略。例如，在机器人操纵任务中，可以通过观察执行相同任务的专家来教导机器人处理对象，这可以显著减少学习有效策略所需的时间。
模仿学习也可以作为强化学习算法的热启动机制。通过首先使用模仿学习来训练代理以获得基本能力，然后代理可以以更集中的方式通过强化学习来完善其策略。这种两步法通常会带来更好的性能，特别是在复杂的环境中，探索可能会导致有害的结果。例如，训练自动驾驶汽车可以从模仿学习中受益匪浅，在允许车辆更自由地探索驾驶场景之前，首先使用专家驾驶镜头。