PPO 算法的 Python 实现与解析

• 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：$H(\pi) = -\sum \pi(a|s) \log \pi(a|s)$

• 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/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 Rudin
import torch
import torch.nn as nn
import torch.optim as optim
from rsl_rl.modules import ActorCritic
from rsl_rl.storage import RolloutStorage

class PPO:
    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

    def init_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)

    def test_mode(self):
        self.actor_critic.test()

    def train_mode(self):
        self.actor_critic.train()

    def act(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

    def process_env_step(self, rewards, dones, infos):
        self.transition.rewards = rewards.clone()
        self.transition.dones = dones
        # Bootstrapping on time outs
        if '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)

    def compute_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)

    def update(self):
        mean_value_loss = 0
        mean_surrogate_loss = 0
        if 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
            # KL
            if self.desired_kl != None and 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 / 2.0 and 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 loss
            if 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：

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 $\epsilon$ 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 $\lambda$ 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()

def init_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

def test_mode(self):
    self.actor_critic.test()

def train_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

def act(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

def act(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 $\log \pi_\theta(a|s)$，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：$a \sim N(\mu, \sigma)$

# 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

def process_env_step(self, rewards, dones, infos):
    self.transition.rewards = rewards.clone()
    self.transition.dones = dones
    # Bootstrapping on time outs
    if '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 $r_t$，同时保存终止信号

# Bootstrapping on time outs
if '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 $V(s)$ 当成 0。 这时候修正 value 的计算 $r = r + \gamma V(s)$

# 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 $(s,a,r,V,\log prob)$ 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

def compute_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 $V(s_T)$ 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：$R_t = r_t + \gamma R_{t+1}$ 优势函数 Advantage（GAE）：$\delta_t = r_t + \gamma V(s_{t+1}) - V(s_t)$，$A_t = \delta_t + \gamma\lambda\delta_{t+1} + (\gamma\lambda)^2\delta_{t+2}+...$

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

3-2 参数定义

我们一步步来看：

mean_value_loss = 0
mean_surrogate_loss = 0
if 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
• returns_batch：目标价值
• old_actions_log_prob_batch：旧策略概率 $\log \pi_\theta(a|s)$
• old_mu_batch：旧策略均值 $\mu$
• old_sigma_batch：旧策略方差 $\sigma$

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 $\pi_\theta(a|s) = \mathcal{N}(\mu_\theta(s), \sigma_\theta(s))$

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 $\log \pi_\theta(a_t|s_t)$，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：$\mu$ 策略均值
• sigma_batch：$\sigma$ 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。

# KL
if self.desired_kl != None and 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 / 2.0 and 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 $KL(\pi_{old}||\pi_{new}) = \log\frac{\sigma}{\sigma_{old}} + \frac{\sigma_{old}^2 + (\mu_{old}-\mu)^2}{2\sigma^2} - \frac12$

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：$r_t(\theta) = \frac{\pi_\theta(a_t|s_t)}{\pi_{\theta_{old}}(a_t|s_t)}$ 它表示：

• 新策略和旧策略在某个动作上的概率比例。
• 如果 $r \approx 1$，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 $L^{CLIP} = \mathbb{E}[\min(r_t(\theta)A_t, \text{clip}(r_t(\theta), 1-\epsilon, 1+\epsilon)A_t)]$ 第一行是原始策略梯度，也就是公式中的 $L^{PG} = \mathbb{E}[r_t(\theta)A_t]$ 通过上述公式，PPO 会限制 $r(\theta)$ 的取值范围 $[1-\epsilon, 1+\epsilon]$。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 loss
if 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 $L = L_{policy} + c_1 L_{value} - c_2 H(\pi)$ 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 $L_V = (V_\theta(s) - R_t)^2$
2. PPO value clip $V^{clip} = V_{old} + \text{clip}(V_\theta - V_{old})$, $L_V = \max((V - R)^2, (V^{clip} - R)^2)$

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 $||g|| < max_grad_norm$
• 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：$L = \mathbb{E}[\min(r_t A_t, \text{clip}(r_t, 1-\epsilon, 1+\epsilon)A_t)] + c_1(V-R)^2 - c_2H(\pi)$

[图片]

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。