最小二乘损失函数（3）对决策边界两侧远离标准轨迹的采样轨迹进行惩罚。
该方法可以用公式（4）表示。
公式（5）表示对抗模仿学习与随机对抗模仿学习RAIL的随机参数空间搜索之间的关系。
图3中实验的目的是为了展示样品的效率。为了评估效率，实验考虑了平均车速、换道次数、超车次数、纵向奖励和横向奖励，如图3和图4所示。
由表1可以看出，两层政策的平均车速和平均超车统计量最高，分别为70．38km／h和45．04。这是因为基于盖尔的框架和基于与环境交互的策略优化，经过训练的策略有时可以获得比专业人类驾驶员更高的性能。另一方面，单层策略的性能提高了90％。这是因为单层不足以正确处理高维观测。上述，BC试图将专业演示过程中的1步偏差误差最小化。因此，由于训练和测试之间的分布不匹配，单层策略表现出不理想的性能。
在图4中，使用纵向补偿来分析环境补偿。纵向补偿与速度成正比；因此，归一化结果与图3a所示的平均速度相同。为了评估行动决策的敏感性，使用了横向补偿。在变道完成之前，车辆可以根据观察改变决策。由于换道过程中横向奖励是连续发生的，因此在换道过程中频繁的换道会导致换道过程中奖励的减少。在图4b中，两层策略在最后一种情况下获得了较大的横向奖励。然而，两层策略比专家策略显示了更多的车道变化。这是因为两层策略不太可能在操作期间更改决策。另一方面，单层策略比专家策略更能显示频繁的换道。因为单层策略经常更改其决策，单层策略获得最小的横向补偿。BC表示换道次数最少。然而，经过培训的策略比RAIL培训的单层策略获得了更大的回报。变道数量明显小于单层策略；从而使训练后的策略比单层策略获得更大的横向回报。
通过图3c的实验，模拟专家论证，测量合适的决策。为了获得与专家相似的超车次数，仿真过程中的换道点和决策应与专家相似。在图3c中，两层策略相比之下，显示了预期的性能。此外，决策点和操作与专家相似。然而，单层策略比专家策略显示的接管数量要少。这是因为平均速度较低，并且根据观察做出了不合适的换道决定。
综上所述，验证了RAIL方法提高了平均速度，减少了不必要的变道次数。这就意味着RAIL方法政策方向是正确的。实验结果表明，两层策略取得了与驾驶专家相似的性能。
