發表時間：2018（ICRA 2018）
文章要點：這篇文章提出了一個叫model-based and model-free (Mb-Mf)的演算法，先用model based的方法訓一個policy，再用model free的方法來fine tune。具體的，先學一個model，然後用planning的方式（simple random sampling shooting method）選擇動作

這相當於有了一個Model-Based Control。然後用這個方式收集資料，擬合成一個策略網路作為model free的初始化策略（using the model-based learner to initialize a model-free learner.）

然後用model free的方法繼續訓這個policy（TRPO）。
總結：

是個make sense的方法，就是階段有點多，先要收集樣本學model（random trajectories），然後根據model做planning收集planning策略下的資料，然後擬合一個policy網路，最後用model free的方法繼續訓練。感覺挺麻煩的。
疑問：裡面這個文章說選TRPO的原因是他不需要初始化value function，難道做連續控制的時候不去擬合value network嗎，可能有會更好吧？（such policy gradient algorithms are a good choice for model-free fine-tuning since they do not require any critic or value function for initialization）