【宇树机器人强化学习】(一):PPO算法的python实现与解析

前言

• 本系列将着手解析整个仓库的核心代码与算法实现和训练教程。此系列默认读者拥有一定的强化学习基础和代码基础，故在部分原理和基础代码逻辑不做解释，对强化学习基础感兴趣的读者可以阅读我的入门系列：
  • 第一期： 【浅显易懂理解强化学习】(一)Q-Learning原来是查表法-ZEEKLOG博客
  • 第二期： 【浅显易懂理解强化学习】(二):Sarsa，保守派的胜利-ZEEKLOG博客
  • 第三期：【浅显易懂理解强化学习】(三):DQN:当查表法装上大脑-ZEEKLOG博客
  • 第四期：【浅显易懂理解强化学习】(四):Policy Gradients玩转策略采样-ZEEKLOG博客
  • 第五期：【浅显易懂理解强化学习】(五):Actor-Critic与A3C,多线程的完全胜利-ZEEKLOG博客
  • 第六期：【浅显易懂理解强化学习】(六):DDPG与TD3集百家之长-ZEEKLOG博客
  • 第七期：【浅显易懂理解强化学习】(七):PPO,策略更新的安全阀-ZEEKLOG博客
• 阅读本系列的前置知识：
  • python语法，明白面向对象的封装
  • pytorch基础使用
  • 神经网络基础知识
  • 强化学习基础知识，至少了解 Policy Gradient、Actor-Critic 和 PPO
• 本期将讲解rsl_rl仓库的PPO算法的python实现。

Unitree RL GYM 是一个开源的 基于 Unitree 机器人强化学习（Reinforcement Learning, RL）控制示例项目，用于训练、测试和部署四足机器人控制策略。该仓库支持多种 Unitree 机器人型号，包括 Go2、H1、H1_2 和 G1。仓库地址

0 仓库安装

• 关于仓库的安装和环境配置官方的文档已经非常清楚了，这里就不在赘述。
• 通过下述指令可以快速获取仓库代码。

官方教程

git clone https://github.com/leggedrobotics/rsl_rl.git cd rsl_rl git checkout v1.0.2 

0-1 PPO公式回顾

• 姑且这里回顾一下PPO的核心公式PPO 的目标函数是： L c l i p ( θ ) = E [ min ⁡ ( r ( θ ) A , c l i p ( r ( θ ) , 1 − ϵ , 1 + ϵ ) A ) ] L^{clip}(\theta)=\mathbb{E}[\min(r(\theta)A,\mathrm{clip}(r(\theta),1-\epsilon,1+\epsilon)A)] Lclip(θ)=E[min(r(θ)A,clip(r(θ),1−ϵ,1+ϵ)A)]其中:
  • r ( θ ) r(\theta) r(θ)：新旧策略概率比
  • A A A：Advantage（优势函数）
  • ϵ \epsilon ϵ：裁剪范围，一般取 0.1~0.2

• 概率比率（Probability Ratio） r ( θ ) = π θ ( a ∣ s ) π θ o l d ( a ∣ s ) r(\theta) = \frac{\pi_\theta(a|s)}{\pi_{\theta_{old}}(a|s)} r(θ)=πθold​​(a∣s)πθ​(a∣s)​它表示：​
  • 新策略和旧策略在某个动作上的概率比例。
  • 如果r ≈ 1，说明新旧策略 差不多
  • 如果r >> 1 或 r << 1，说明策略 变化太大
• 通过上述公式，PPO 会限制 r ( θ ) r(\theta) r(θ)的取值范围 [ 1 − ϵ , 1 + ϵ ] [1-\epsilon, 1+\epsilon] [1−ϵ,1+ϵ]如果超过这个范围，梯度就会被裁剪，不再继续增大。

• GAE（Generalized Advantage Estimation）:
  • 它通过引入一个参数 λ（lambda），将 多步 TD 误差进行加权平均，从而得到更加稳定的 Advantage 估计。
• 公式： A t G A E = ∑ l = 0 ∞ ( γ λ ) l δ t + l A_t^{GAE} = \sum_{l=0}^{\infty} (\gamma \lambda)^l \delta_{t+l} AtGAE​=l=0∑∞​(γλ)lδt+l​其中： δ t = r t + γ V ( s t + 1 ) − V ( s t ) \delta_t = r_t + \gamma V(s_{t+1}) - V(s_t) δt​=rt​+γV(st+1​)−V(st​)
• 表示 TD 误差（Temporal Difference Error）。
• 参数 λ \lambda λ 控制了 偏差和方差之间的平衡：
  • λ = 0 只使用 一步 TD 误差,方差小,偏差较大
  • λ = 1 接近 Monte Carlo 回报.偏差小.方差较大

• 策略熵的公式为： H ( π ) = − ∑ π ( a ∣ s ) log ⁡ π ( a ∣ s ) H(\pi) = -\sum \pi(a|s)\log \pi(a|s) H(π)=−∑π(a∣s)logπ(a∣s)
  • 策略越随机，熵越大

1 仓库一览

• 拉取完仓库以后，我们可以简单的使用tree指令看一下整个项目的结构
• rsl_rl目录结构

rsl_rl/ ├── algorithms/ ├── env/ ├── modules/ ├── runners/ ├── storage/ └── utils/ 

1-1 algorithms/目录

algorithms/ ├── __init__.py ├── ppo.py 

• 功能：存放 RL 算法实现，例如 ppo.py 实现了 PPO（Proximal Policy Optimization） 算法。
• 特点：
  • 可以扩展更多算法（如 DDPG、TD3、DPPO）。
  • 提供训练所需的核心算法逻辑（策略更新、损失函数计算等）。

1-2 env/目录

env/ ├── __init__.py └── vec_env.py 

• 功能：封装环境接口。
  • vec_env.py 实现 Vectorized Environment，支持多环境并行训练。
• 作用：
  • 对接仿真环境（如 PyBullet / Mujoco）。
  • 提供标准接口给算法训练（step、reset、render 等）。

1-3 modules/目录

modules/ ├── actor_critic.py ├── actor_critic_recurrent.py 

• 功能：定义策略网络结构。
  • actor_critic.py：普通 Actor-Critic 网络。
  • actor_critic_recurrent.py：RNN / LSTM 版本的 Actor-Critic 网络。
• 作用：
  • 提供策略和价值网络给 PPO 或其他算法调用。
  • 支持状态序列建模，适合处理时间相关的机器人动作控制。

1-4 runners/目录

runners/ └── on_policy_runner.py 

• 功能：训练调度器。
  • on_policy_runner.py 负责 按策略采样数据并执行训练循环。
• 作用：
  • 管理数据采样、训练步数、模型保存。
  • 将算法、环境、存储模块整合成完整的训练流程。

1-5 storage/目录

storage/ └── rollout_storage.py 

• 功能：存储采样轨迹（rollouts）。
• 作用：
  • PPO 需要保存每一步的状态、动作、奖励等。
  • 提供 mini-batch 更新、归一化等功能。

1-6 utils/目录

utils/ └── utils.py 

• 功能：工具函数。
  • 例如日志记录、模型保存/加载、张量操作等。
• 作用：
  • 提供训练和部署所需的通用工具函数，减轻主逻辑负担。

2 PPO算法的python实现

2-1 代码一览

• 代码的路径在

algorithms/ ├── __init__.py ├── ppo.py 

• 代码整体在这，别急我们一部分一部分进行分析

# SPDX-FileCopyrightText: Copyright (c) 2021 NVIDIA CORPORATION & AFFILIATES. All rights reserved.# SPDX-License-Identifier: BSD-3-Clause# # Redistribution and use in source and binary forms, with or without# modification, are permitted provided that the following conditions are met:## 1. Redistributions of source code must retain the above copyright notice, this# list of conditions and the following disclaimer.## 2. Redistributions in binary form must reproduce the above copyright notice,# this list of conditions and the following disclaimer in the documentation# and/or other materials provided with the distribution.## 3. Neither the name of the copyright holder nor the names of its# contributors may be used to endorse or promote products derived from# this software without specific prior written permission.## THIS SOFTWARE IS PROVIDED BY THE COPYRIGHT HOLDERS AND CONTRIBUTORS "AS IS"# AND ANY EXPRESS OR IMPLIED WARRANTIES, INCLUDING, BUT NOT LIMITED TO, THE# IMPLIED WARRANTIES OF MERCHANTABILITY AND FITNESS FOR A PARTICULAR PURPOSE ARE# DISCLAIMED. IN NO EVENT SHALL THE COPYRIGHT HOLDER OR CONTRIBUTORS BE LIABLE# FOR ANY DIRECT, INDIRECT, INCIDENTAL, SPECIAL, EXEMPLARY, OR CONSEQUENTIAL# DAMAGES (INCLUDING, BUT NOT LIMITED TO, PROCUREMENT OF SUBSTITUTE GOODS OR# SERVICES; LOSS OF USE, DATA, OR PROFITS; OR BUSINESS INTERRUPTION) HOWEVER# CAUSED AND ON ANY THEORY OF LIABILITY, WHETHER IN CONTRACT, STRICT LIABILITY,# OR TORT (INCLUDING NEGLIGENCE OR OTHERWISE) ARISING IN ANY WAY OUT OF THE USE# OF THIS SOFTWARE, EVEN IF ADVISED OF THE POSSIBILITY OF SUCH DAMAGE.## Copyright (c) 2021 ETH Zurich, Nikita Rudinimport torch import torch.nn as nn import torch.optim as optim from rsl_rl.modules import ActorCritic from rsl_rl.storage import RolloutStorage classPPO: actor_critic: ActorCritic def__init__(self, actor_critic, num_learning_epochs=1, num_mini_batches=1, clip_param=0.2, gamma=0.998, lam=0.95, value_loss_coef=1.0, entropy_coef=0.0, learning_rate=1e-3, max_grad_norm=1.0, use_clipped_value_loss=True, schedule="fixed", desired_kl=0.01, device='cpu',): self.device = device self.desired_kl = desired_kl self.schedule = schedule self.learning_rate = learning_rate # PPO components self.actor_critic = actor_critic self.actor_critic.to(self.device) self.storage =None# initialized later self.optimizer = optim.Adam(self.actor_critic.parameters(), lr=learning_rate) self.transition = RolloutStorage.Transition()# PPO parameters self.clip_param = clip_param self.num_learning_epochs = num_learning_epochs self.num_mini_batches = num_mini_batches self.value_loss_coef = value_loss_coef self.entropy_coef = entropy_coef self.gamma = gamma self.lam = lam self.max_grad_norm = max_grad_norm self.use_clipped_value_loss = use_clipped_value_loss definit_storage(self, num_envs, num_transitions_per_env, actor_obs_shape, critic_obs_shape, action_shape): self.storage = RolloutStorage(num_envs, num_transitions_per_env, actor_obs_shape, critic_obs_shape, action_shape, self.device)deftest_mode(self): self.actor_critic.test()deftrain_mode(self): self.actor_critic.train()defact(self, obs, critic_obs):if self.actor_critic.is_recurrent: self.transition.hidden_states = self.actor_critic.get_hidden_states()# Compute the actions and values self.transition.actions = self.actor_critic.act(obs).detach() self.transition.values = self.actor_critic.evaluate(critic_obs).detach() self.transition.actions_log_prob = self.actor_critic.get_actions_log_prob(self.transition.actions).detach() self.transition.action_mean = self.actor_critic.action_mean.detach() self.transition.action_sigma = self.actor_critic.action_std.detach()# need to record obs and critic_obs before env.step() self.transition.observations = obs self.transition.critic_observations = critic_obs return self.transition.actions defprocess_env_step(self, rewards, dones, infos): self.transition.rewards = rewards.clone() self.transition.dones = dones # Bootstrapping on time outsif'time_outs'in infos: self.transition.rewards += self.gamma * torch.squeeze(self.transition.values * infos['time_outs'].unsqueeze(1).to(self.device),1)# Record the transition self.storage.add_transitions(self.transition) self.transition.clear() self.actor_critic.reset(dones)defcompute_returns(self, last_critic_obs): last_values= self.actor_critic.evaluate(last_critic_obs).detach() self.storage.compute_returns(last_values, self.gamma, self.lam)defupdate(self): mean_value_loss =0 mean_surrogate_loss =0if self.actor_critic.is_recurrent: generator = self.storage.reccurent_mini_batch_generator(self.num_mini_batches, self.num_learning_epochs)else: generator = self.storage.mini_batch_generator(self.num_mini_batches, self.num_learning_epochs)for obs_batch, critic_obs_batch, actions_batch, target_values_batch, advantages_batch, returns_batch, old_actions_log_prob_batch, \ old_mu_batch, old_sigma_batch, hid_states_batch, masks_batch in generator: self.actor_critic.act(obs_batch, masks=masks_batch, hidden_states=hid_states_batch[0]) actions_log_prob_batch = self.actor_critic.get_actions_log_prob(actions_batch) value_batch = self.actor_critic.evaluate(critic_obs_batch, masks=masks_batch, hidden_states=hid_states_batch[1]) mu_batch = self.actor_critic.action_mean sigma_batch = self.actor_critic.action_std entropy_batch = self.actor_critic.entropy # KLif self.desired_kl !=Noneand self.schedule =='adaptive':with torch.inference_mode(): kl = torch.sum( torch.log(sigma_batch / old_sigma_batch +1.e-5)+(torch.square(old_sigma_batch)+ torch.square(old_mu_batch - mu_batch))/(2.0* torch.square(sigma_batch))-0.5, axis=-1) kl_mean = torch.mean(kl)if kl_mean > self.desired_kl *2.0: self.learning_rate =max(1e-5, self.learning_rate /1.5)elif kl_mean < self.desired_kl /2.0and kl_mean >0.0: self.learning_rate =min(1e-2, self.learning_rate *1.5)for param_group in self.optimizer.param_groups: param_group['lr']= self.learning_rate # Surrogate loss ratio = torch.exp(actions_log_prob_batch - torch.squeeze(old_actions_log_prob_batch)) surrogate =-torch.squeeze(advantages_batch)* ratio surrogate_clipped =-torch.squeeze(advantages_batch)* torch.clamp(ratio,1.0- self.clip_param,1.0+ self.clip_param) surrogate_loss = torch.max(surrogate, surrogate_clipped).mean()# Value function lossif self.use_clipped_value_loss: value_clipped = target_values_batch +(value_batch - target_values_batch).clamp(-self.clip_param, self.clip_param) value_losses =(value_batch - returns_batch).pow(2) value_losses_clipped =(value_clipped - returns_batch).pow(2) value_loss = torch.max(value_losses, value_losses_clipped).mean()else: value_loss =(returns_batch - value_batch).pow(2).mean() loss = surrogate_loss + self.value_loss_coef * value_loss - self.entropy_coef * entropy_batch.mean()# Gradient step self.optimizer.zero_grad() loss.backward() nn.utils.clip_grad_norm_(self.actor_critic.parameters(), self.max_grad_norm) self.optimizer.step() mean_value_loss += value_loss.item() mean_surrogate_loss += surrogate_loss.item() num_updates = self.num_learning_epochs * self.num_mini_batches mean_value_loss /= num_updates mean_surrogate_loss /= num_updates self.storage.clear()return mean_value_loss, mean_surrogate_loss 

2-2 初始化函数

• 我们来看看这个类初始化部分：

classPPO: actor_critic: ActorCritic def__init__(self, actor_critic, num_learning_epochs=1, num_mini_batches=1, clip_param=0.2, gamma=0.998, lam=0.95, value_loss_coef=1.0, entropy_coef=0.0, learning_rate=1e-3, max_grad_norm=1.0, use_clipped_value_loss=True, schedule="fixed", desired_kl=0.01, device='cpu',): self.device = device self.desired_kl = desired_kl self.schedule = schedule self.learning_rate = learning_rate # PPO components self.actor_critic = actor_critic self.actor_critic.to(self.device) self.storage =None# initialized later self.optimizer = optim.Adam(self.actor_critic.parameters(), lr=learning_rate) self.transition = RolloutStorage.Transition()# PPO parameters self.clip_param = clip_param self.num_learning_epochs = num_learning_epochs self.num_mini_batches = num_mini_batches self.value_loss_coef = value_loss_coef self.entropy_coef = entropy_coef self.gamma = gamma self.lam = lam self.max_grad_norm = max_grad_norm self.use_clipped_value_loss = use_clipped_value_loss 

• 初始化传入了大量PPO的超参数：
  • actor_critic：这里传入的是PPO算法必须的Actor-Critic 网络(这个网络的定义在modules/actor_critic.py,这个我们后面几期会进行解析)
  • num_learning_epochs=1：每一批 rollout 数据 重复训练多少轮
  • num_mini_batches=1：把 rollout 数据分成多少 mini-batch（以提高样本利用率）
  • ==clip_param=0.2：这个是PPO的 ϵ \epsilon ϵ核心参数，用于对策略进行裁切
  • gamma=0.998：奖励折扣因子，用于控制控制 长期奖励权重
  • lam=0.95：GAE的 λ 参数，用于在计算优势函数的时候降低方差
  • value_loss_coef=1.0：损失函数权重，越高越关注value网络
  • entropy_coef=0.0：策略熵, 鼓励策略保持一定随机性，用于设置额外探索奖励
  • learning_rate=1e-3：神经网络学习率
  • max_grad_norm=1.0：梯度裁剪，大于此值的梯度值会被裁切，防止梯度爆炸
  • use_clipped_value_loss=True：是否使用Value Clipping,防止 Critic更新过大
  • schedule="fixed"：表示 训练过程中学习率保持固定，不根据 KL 或训练情况动态调整
  • desired_kl=0.01：目标 KL 散度，表示 期望新旧策略之间的 KL 距离大约为 0.01，用于在自适应学习率策略中控制策略更新幅度。
  • `device=‘cpu’：运行设备
• 同时还定义了一些变量

self.storage =None# initialized later self.optimizer = optim.Adam(self.actor_critic.parameters(), lr=learning_rate) self.transition = RolloutStorage.Transition()

• self.storage：经验回放缓存（Rollout Buffer）占位符
• self.optimizer：Adam优化器 来更新 Actor-Critic 网络参数
• self.transition：临时数据结构（step buffer）

2-3 初始化经验回放缓存函数 init_storage()

definit_storage(self, num_envs, num_transitions_per_env, actor_obs_shape, critic_obs_shape, action_shape): self.storage = RolloutStorage( num_envs, num_transitions_per_env, actor_obs_shape, critic_obs_shape, action_shape, self.device )

• 这个函数用于初始化经验回放缓存（Rollout Buffer）机制的数据缓存（Rollout Buffer）。
• 定义在storage/rollout_storage.py，我们之后也会解析

2-4 模式函数

deftest_mode(self): self.actor_critic.test()deftrain_mode(self): self.actor_critic.train()

• 这两都是启用actor_critic的模式
• 这个网络的定义在modules/actor_critic.py，我们之后也会解析

2-5 行动函数act()

• 这个函数的作用：根据当前状态 ，计算动作并返回，同时并记录训练数据

defact(self, obs, critic_obs):if self.actor_critic.is_recurrent: self.transition.hidden_states = self.actor_critic.get_hidden_states()# Compute the actions and values self.transition.actions = self.actor_critic.act(obs).detach() self.transition.values = self.actor_critic.evaluate(critic_obs).detach() self.transition.actions_log_prob = self.actor_critic.get_actions_log_prob(self.transition.actions).detach() self.transition.action_mean = self.actor_critic.action_mean.detach() self.transition.action_sigma = self.actor_critic.action_std.detach()# need to record obs and critic_obs before env.step() self.transition.observations = obs self.transition.critic_observations = critic_obs return self.transition.actions 

• 我们一步步看，首先我们来看函数的输入

defact(self, obs, critic_obs):

• obs 是 策略网络的输入
• critic_obs 是 价值网络输入

if self.actor_critic.is_recurrent: self.transition.hidden_states = self.actor_critic.get_hidden_states()

• 这里判断是否需要使用 RNN / LSTM 网络，如果是，需要保存hidden_state,否则后面训练无法恢复序列状态。

self.transition.actions = self.actor_critic.act(obs).detach() self.transition.values = self.actor_critic.evaluate(critic_obs).detach()

• Actor网络根据策略网络的输入来计算动作，.detach()表示不参与梯度计算，只是进行采样。
• Critic网络 计算价值,.detach()表示不参与梯度计算，只是进行采样。

self.transition.actions_log_prob = self.actor_critic.get_actions_log_prob(self.transition.actions).detach()

• 这里计算动作概率 l o g π θ ( a ∣ s ) log π_\theta(a|s) logπθ​(a∣s)，用于后面计算概率比率（Probability Ratio）的时候使用

self.transition.action_mean = self.actor_critic.action_mean.detach() self.transition.action_sigma = self.actor_critic.action_std.detach()

• 这里保存策略分布，用于 KL散度计算。其中动作通常来自 高斯分布： a   N ( μ , σ ) a ~ N(μ , σ) a N(μ,σ)

# need to record obs and critic_obs before env.step() self.transition.observations = obs self.transition.critic_observations = critic_obs return self.transition.actions 

• 保存状态并返回动作，这里需要在env.step()之前保存，否则状态就改变了

2-6 处理环境反馈函数process_env_step()

• 这个函数用于处理环境返回结果，并存储数据

defprocess_env_step(self, rewards, dones, infos): self.transition.rewards = rewards.clone() self.transition.dones = dones # Bootstrapping on time outsif'time_outs'in infos: self.transition.rewards += self.gamma * torch.squeeze(self.transition.values * infos['time_outs'].unsqueeze(1).to(self.device),1)# Record the transition self.storage.add_transitions(self.transition) self.transition.clear() self.actor_critic.reset(dones)

self.transition.rewards = rewards.clone() self.transition.dones = dones 

• 保存奖励 r t r_t rt​，同时保存终止信号

# Bootstrapping on time outsif'time_outs'in infos: self.transition.rewards += self.gamma * torch.squeeze(self.transition.values * infos['time_outs'].unsqueeze(1).to(self.device),1)

• 有些 episode 结束不是因为失败，而是达到最大步数，那就不能把未来价值 V ( s ) V(s) V(s)当成 0。
• 这时候修正value的计算 r = r + γ V ( s ) r = r + γV(s) r=r+γV(s)

# Record the transition self.storage.add_transitions(self.transition) self.transition.clear() self.actor_critic.reset(dones)

• 在经验池里头储存数据，每一步的数据包含 ( s , a , r , V , l o g p r o b ) (s,a,r,V,log_prob) (s,a,r,V,logp​rob)
• 清空 transition并重置RNN

2-7 计算收获函数compute_returns

• 计算 PPO 训练需要的奖励returns和 优势函数advantage

defcompute_returns(self, last_critic_obs): last_values= self.actor_critic.evaluate(last_critic_obs).detach() self.storage.compute_returns(last_values, self.gamma, self.lam)

• 第一行会计算最后状态价值 V ( s T ) V(s_T) V(sT​)
• 第二行就是GAE计算，将 多步 TD 误差进行加权平均，从而得到更加稳定的 Advantage 估计。
• Return： R t = r t + γ R t + 1 R_t = r_t + γR_{t+1} Rt​=rt​+γRt+1​
• 优势函数Advantage（GAE）: δ t = r t + γ V ( s t + 1 ) − V ( s t ) δ_t = r_t + γV(s_{t+1}) - V(s_t) δt​=rt​+γV(st+1​)−V(st​) A t = δ t + γ λ δ t + 1 + ( γ λ ) 2 δ t + 2 + . . . A_t = δ_t + γλδ_{t+1} + (γλ)^2δ_{t+2}+... At​=δt​+γλδt+1​+(γλ)2δt+2​+...

3 核心函数update

3-1 完整实现

• 前面的代码主要完成 数据采样与优势计算，而 PPO 的核心训练逻辑全部在 update() 函数中完成。 这个函数负责：
  • 重新计算策略概率
  • 计算 PPO loss
  • 反向传播更新网络

defupdate(self): mean_value_loss =0 mean_surrogate_loss =0if self.actor_critic.is_recurrent: generator = self.storage.reccurent_mini_batch_generator(self.num_mini_batches, self.num_learning_epochs)else: generator = self.storage.mini_batch_generator(self.num_mini_batches, self.num_learning_epochs)for obs_batch, critic_obs_batch, actions_batch, target_values_batch, advantages_batch, returns_batch, old_actions_log_prob_batch, \ old_mu_batch, old_sigma_batch, hid_states_batch, masks_batch in generator: self.actor_critic.act(obs_batch, masks=masks_batch, hidden_states=hid_states_batch[0]) actions_log_prob_batch = self.actor_critic.get_actions_log_prob(actions_batch) value_batch = self.actor_critic.evaluate(critic_obs_batch, masks=masks_batch, hidden_states=hid_states_batch[1]) mu_batch = self.actor_critic.action_mean sigma_batch = self.actor_critic.action_std entropy_batch = self.actor_critic.entropy # KLif self.desired_kl !=Noneand self.schedule =='adaptive':with torch.inference_mode(): kl = torch.sum( torch.log(sigma_batch / old_sigma_batch +1.e-5)+(torch.square(old_sigma_batch)+ torch.square(old_mu_batch - mu_batch))/(2.0* torch.square(sigma_batch))-0.5, axis=-1) kl_mean = torch.mean(kl)if kl_mean > self.desired_kl *2.0: self.learning_rate =max(1e-5, self.learning_rate /1.5)elif kl_mean < self.desired_kl /2.0and kl_mean >0.0: self.learning_rate =min(1e-2, self.learning_rate *1.5)for param_group in self.optimizer.param_groups: param_group['lr']= self.learning_rate # Surrogate loss ratio = torch.exp(actions_log_prob_batch - torch.squeeze(old_actions_log_prob_batch)) surrogate =-torch.squeeze(advantages_batch)* ratio surrogate_clipped =-torch.squeeze(advantages_batch)* torch.clamp(ratio,1.0- self.clip_param,1.0+ self.clip_param) surrogate_loss = torch.max(surrogate, surrogate_clipped).mean()# Value function lossif self.use_clipped_value_loss: value_clipped = target_values_batch +(value_batch - target_values_batch).clamp(-self.clip_param, self.clip_param) value_losses =(value_batch - returns_batch).pow(2) value_losses_clipped =(value_clipped - returns_batch).pow(2) value_loss = torch.max(value_losses, value_losses_clipped).mean()else: value_loss =(returns_batch - value_batch).pow(2).mean() loss = surrogate_loss + self.value_loss_coef * value_loss - self.entropy_coef * entropy_batch.mean()# Gradient step self.optimizer.zero_grad() loss.backward() nn.utils.clip_grad_norm_(self.actor_critic.parameters(), self.max_grad_norm) self.optimizer.step() mean_value_loss += value_loss.item() mean_surrogate_loss += surrogate_loss.item() num_updates = self.num_learning_epochs * self.num_mini_batches mean_value_loss /= num_updates mean_surrogate_loss /= num_updates self.storage.clear()return mean_value_loss, mean_surrogate_loss 

3-2 参数定义

• 我们一步步来看：

mean_value_loss =0 mean_surrogate_loss =0if self.actor_critic.is_recurrent: generator = self.storage.reccurent_mini_batch_generator(self.num_mini_batches, self.num_learning_epochs)else: generator = self.storage.mini_batch_generator(self.num_mini_batches, self.num_learning_epochs)

• mean_value_loss和mean_surrogate_loss:统计整个训练过程中的 平均 loss，用于日志打印。
• 然后我们根据是否使用 RNN / LSTM 网络来构造 mini-batch 迭代器

3-3 每个batch

for obs_batch, critic_obs_batch, actions_batch, target_values_batch, advantages_batch, returns_batch, old_actions_log_prob_batch, \ old_mu_batch, old_sigma_batch, hid_states_batch, masks_batch in generator:

• 然后我们在每个 batch 取出这些变量：
  • obs_batch：Actor网络输入
  • critic_obs_batch：Critic网络输入
  • actions_batch：采样动作
  • target_values_batch：旧价值函数V(s)
  • advantages_batch：GAE优势函数
  • critic_obs_batch：Critic输入
  • returns_batch：目标价值
  • old_actions_log_prob_batch：旧策略概率 l o g π θ ( a ∣ s ) log π_\theta(a|s) logπθ​(a∣s)
  • old_mu_batch：旧策略均值 μ μ μ
  • old_sigma_batch：旧策略方差 σ σ σ

self.actor_critic.act(obs_batch, masks=masks_batch, hidden_states=hid_states_batch[0])

• 首先调用act函数进行Actor前向计算，重新计算 当前策略的动作分布 π θ ( a ∣ s ) = N ( μ θ ( s ) , σ θ ( s ) ) \pi_\theta(a|s) = \mathcal{N}(\mu_\theta(s), \sigma_\theta(s)) πθ​(a∣s)=N(μθ​(s),σθ​(s))

actions_log_prob_batch = self.actor_critic.get_actions_log_prob(actions_batch)

• 然后获取当前动作概率log prob log ⁡ π θ ( a t ∣ s t ) \log \pi_\theta(a_t|s_t) logπθ​(at​∣st​)，用于一会计算概率比率

value_batch = self.actor_critic.evaluate(critic_obs_batch)

• Critic计算价值函数 value

mu_batch = self.actor_critic.action_mean sigma_batch = self.actor_critic.action_std entropy_batch = self.actor_critic.entropy 

• mu_batch： μ \mu μ策略均值
• sigma_batch： σ \sigma σ策略方差
• entropy:策略熵

3-4 KL散度控制

• KL散度控制就干一件事：如果 KL 太大，降低学习率。
• 这是一种简单的 Trust Region 近似实现， 用于防止策略更新过大导致训练不稳定。

# KLif self.desired_kl !=Noneand self.schedule =='adaptive':with torch.inference_mode(): kl = torch.sum( torch.log(sigma_batch / old_sigma_batch +1.e-5)+(torch.square(old_sigma_batch)+ torch.square(old_mu_batch - mu_batch))/(2.0* torch.square(sigma_batch))-0.5, axis=-1) kl_mean = torch.mean(kl)if kl_mean > self.desired_kl *2.0: self.learning_rate =max(1e-5, self.learning_rate /1.5)elif kl_mean < self.desired_kl /2.0and kl_mean >0.0: self.learning_rate =min(1e-2, self.learning_rate *1.5)for param_group in self.optimizer.param_groups: param_group['lr']= self.learning_rate 

• 其中的kl对应 高斯分布KL公式 K L ( π o l d ∣ ∣ π n e w ) = log ⁡ σ σ o l d + σ o l d 2 + ( μ o l d − μ ) 2 2 σ 2 − 1 2 KL(\pi_{old}||\pi_{new}) = \log\frac{\sigma}{\sigma_{old}} + \frac{\sigma_{old}^2 + (\mu_{old}-\mu)^2}{2\sigma^2} - \frac12 KL(πold​∣∣πnew​)=logσold​σ​+2σ2σold2​+(μold​−μ)2​−21​

if kl_mean > self.desired_kl *2.0: self.learning_rate =max(1e-5, self.learning_rate /1.5)elif kl_mean < self.desired_kl /2.0and kl_mean >0.0: self.learning_rate =min(1e-2, self.learning_rate *1.5)for param_group in self.optimizer.param_groups: param_group['lr']= self.learning_rate 

• 自适应学习率并更新

3-5 PPO核心：概率比率

ratio = torch.exp(actions_log_prob_batch - old_actions_log_prob_batch)

• 这就是PPO的核心公式： r t ( θ ) = π θ ( a t ∣ s t ) π θ o l d ( a t ∣ s t ) r_t(\theta) = \frac{\pi_\theta(a_t|s_t)} {\pi_{\theta_{old}}(a_t|s_t)} rt​(θ)=πθold​​(at​∣st​)πθ​(at​∣st​)​
• 它表示：​
  • 新策略和旧策略在某个动作上的概率比例。
  • 如果r ≈ 1，说明新旧策略 差不多
  • 如果r >> 1 或 r << 1，说明策略 变化太大

3-6 PPO又一核心 Clip裁切

surrogate =-torch.squeeze(advantages_batch)* ratio surrogate_clipped =-torch.squeeze(advantages_batch)* torch.clamp(ratio,1.0- self.clip_param,1.0+ self.clip_param) surrogate_loss = torch.max(surrogate, surrogate_clipped).mean()

• 也就是对应的 L C L I P = E [ min ⁡ ( r t ( θ ) A t , c l i p ( r t ( θ ) , 1 − ϵ , 1 + ϵ ) A t ) ] L^{CLIP} = E[ \min( r_t(\theta)A_t, clip(r_t(\theta),1-\epsilon,1+\epsilon)A_t ) ] LCLIP=E[min(rt​(θ)At​,clip(rt​(θ),1−ϵ,1+ϵ)At​)]
• 第一行是原始策略梯度，也就是公式中的 L P G = E [ r t ( θ ) A t ] L^{PG} = E[r_t(\theta)A_t] LPG=E[rt​(θ)At​]
• 通过上述公式，PPO 会限制 r ( θ ) r(\theta) r(θ)的取值范围 [ 1 − ϵ , 1 + ϵ ] [1-\epsilon, 1+\epsilon] [1−ϵ,1+ϵ]如果超过这个范围，梯度就会被裁剪，不再继续增大。
• 注意：这里加负号是因为 PyTorch默认最小化loss

3-7 损失函数

# Value function lossif self.use_clipped_value_loss: value_clipped = target_values_batch +(value_batch - target_values_batch).clamp(-self.clip_param, self.clip_param) value_losses =(value_batch - returns_batch).pow(2) value_losses_clipped =(value_clipped - returns_batch).pow(2) value_loss = torch.max(value_losses, value_losses_clipped).mean()else: value_loss =(returns_batch - value_batch).pow(2).mean() loss = surrogate_loss + self.value_loss_coef * value_loss - self.entropy_coef * entropy_batch.mean()

• 这里计算完整的损失函数公式 L = L p o l i c y + c 1 L v a l u e − c 2 H ( π ) L = L_{policy} + c_1 L_{value} - c_2 H(\pi) L=Lpolicy​+c1​Lvalue​−c2​H(π)
• 其中：
  • self.value_loss_coef * value_loss:价值网络损失
  • surrogate_loss:策略网络损失
  • self.entropy_coef * entropy_batch.mean():策略熵函数损失
• 这里根据是否使用PPO value clip分为两种计算value_loss的方式

1. 普通value loss L V = ( V θ ( s ) − R t ) 2 L_V = (V_\theta(s) - R_t)^2 LV​=(Vθ​(s)−Rt​)2
2. PPO value clip V c l i p = V o l d + c l i p ( V θ − V o l d ) V^{clip} = V_{old} + clip(V_\theta - V_{old}) Vclip=Vold​+clip(Vθ​−Vold​) L V = m a x ( ( V − R ) 2 , ( V c l i p − R ) 2 ) L_V = max( (V - R)^2, (V^{clip}-R)^2 ) LV​=max((V−R)2,(Vclip−R)2)

• 如果使用PPO value clip可以防止 critic更新过大

3-8 梯度推进

# Gradient step self.optimizer.zero_grad() loss.backward() nn.utils.clip_grad_norm_(self.actor_critic.parameters(), self.max_grad_norm) self.optimizer.step() mean_value_loss += value_loss.item() mean_surrogate_loss += surrogate_loss.item()

• 剩下的就是
  • 清空梯度
  • 反向传播
  • 梯度裁剪 ∣ ∣ g ∣ ∣ < m a x _ g r a d _ n o r m ∣∣g∣∣<max\_grad\_norm ∣∣g∣∣<max_grad_norm
  • 更新参数
  • 记录loss

3-9 外层循环收尾工作

• 计算平均loss，清空rollout buffer

num_updates = self.num_learning_epochs * self.num_mini_batches mean_value_loss /= num_updates mean_surrogate_loss /= num_updates self.storage.clear()

3-10 PPO训练循环

• PPO训练循环：

1. 收集 rollout
2. 计算 advantage (GAE)
3. 多轮 mini-batch 更新
4. clip policy
5. clip value
6. entropy regularization

• 数学目标： L = E [ min ⁡ ( r t A t , c l i p ( r t , 1 − ϵ , 1 + ϵ ) A t ) ] + c 1 ( V − R ) 2 − c 2 H ( π ) L = E[ \min( r_t A_t, clip(r_t,1-\epsilon,1+\epsilon)A_t ) ] + c_1(V-R)^2 - c_2H(\pi) L=E[min(rt​At​,clip(rt​,1−ϵ,1+ϵ)At​)]+c1​(V−R)2−c2​H(π)

小结

• 本期我们对 rsl_rl 仓库中 PPO 算法的 Python 实现进行了全面解析：从初始化超参数、经验回放缓存、动作采样、环境反馈处理，到优势函数计算与策略更新的完整流程。核心机制包括概率比率裁剪 (clip)、GAE 优势估计、价值函数裁剪、防止梯度爆炸、以及可选的自适应学习率和 KL 控制，最终通过组合策略损失、价值损失和策略熵形成完整优化目标，实现对四足机器人稳定且高效的强化学习训练。
• 如有错误，欢迎指出！感谢观看