本文提出了一种基于变换器的分层方法，旨在解决离线强化学习中的价值估计误差，简化低级策略训练，并显著提升复杂导航环境中的性能。

本文提出了保守型 Q-learning（CQL）、隐式 Q-learning（IQL）和鲁棒 IQL（RIQL）等离线强化学习方法，旨在解决价值估计和泛化问题。研究表明，CQL在复杂数据分布中表现优越，而IQL则在不直接查询 Q 函数的情况下改进策略。RIQL增强了对数据损坏的抗性，展现出高鲁棒性。这些方法在标准基准测试中表现出色。