离线元强化学习 (Offline Meta-RL) 是一种结合了离线强化学习 (Offline RL) 和元强化学习 (Meta-RL) 的新兴研究方向，这个概念首次被明确提出是在 2020 年，由 DeepMind 的研究团队提出，并在论文「Offline Meta Reinforcement Learning」中进行了详细阐述。它旨在利用离线数据（即预先收集的数据，不依赖于在线交互）来训练模型，使其能够快速适应新任务或新环境，而无需大量的在线交互。这种方法特别适用于那些在线交互成本较高或风险较大的场景，例如医疗、自动驾驶等领域。