強化學習實例(模仿rift)

rl主要有两点改动
1.在数据层面，根据模型的训练结果对主车的位置进行移动，然后根据移动结果重新生成batch_data，然后对batch_data进行推理，得到相应的reward，目前reward主要还是relation
2.对模型进行推理，根据reward去计算loss

這裡只對prob進行了rl微调，整体思路就是说，如果ade、collision和真值差距大的话，prob的分布也要和闭环得到的数据差距大；如果ade、collision和真值差距小的话，prob的分布要和闭环的数据相似

分布相似用kl散度来表示：https://blog.csdn.net/Rocky6688/article/details/103470437