PPO 训练小车（以经典 CartPole 为例），核心是Actor-Critic 架构 + 裁剪目标 + GAE 优势估计，通过多轮数据复用稳定更新策略，让小车学会平衡杆或完成导航。下面从原理、环境、代码、训练到调优，给出完整可运行方案。
一、PPO 训练小车核心原理
PPO（Proximal Policy Optimization）是Actor-Critic 架构的策略梯度算法，核心是限制策略更新幅度，避免训练震荡。
- Actor（策略网络）：输入状态，输出动作概率分布（离散 / 连续），指导小车动作。
- Critic（价值网络）：输入状态，输出状态价值 V (s)，评估当前状态好坏。
- 裁剪目标（PPO-Clip） ：
- 重要性采样比：rt(θ)=πθold(at∣st)πθ(at∣st)
- 裁剪损失：LCLIP(θ)=E[min(rtAt,clip(rt,1−ϵ,1+ϵ)At)]
- ϵ通常取 0.2，防止策略更新过大。
- 优势函数（GAE）：At=∑k=0∞(γλ)kδt+k，δt=rt+γV(st+1)−V(st)，平衡偏差与方差。
二、环境选择与搭建
1. 经典小车环境（CartPole-v1）
- 状态空间（4 维）：小车位置、速度、杆角度、杆角速度。
- 动作空间（离散 2 维）：左移、右移。
- 奖励：每步 + 1，杆倒 / 车出界则回合结束，目标累计奖励≥475。
- 安装依赖：
bash
运行
pip install gymnasium torch numpy matplotlib2. 自定义 / ROS 小车环境（可选）
- 用 Gazebo+ROS 搭建 TurtleBot3，定义观测（激光 / 图像）、动作（线速度 / 角速度）、奖励函数（避障 + 进度）。
- 或用 MetaDrive 做自动驾驶仿真，动作空间为连续（转向 + 油门）。
三、完整 PPO 训练小车代码（PyTorch）
1. 网络定义（Actor+Critic）
python
运行
import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
import gymnasium as gym
import numpy as np
from collections import deque
import matplotlib.pyplot as plt
# 设备配置
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# Actor网络：输出动作概率
class Actor(nn.Module):
def __init__(self, state_dim, action_dim, hidden_dim=64):
super(Actor, self).__init__()
self.fc1 = nn.Linear(state_dim, hidden_dim)
self.fc2 = nn.Linear(hidden_dim, hidden_dim)
self.fc3 = nn.Linear(hidden_dim, action_dim)
def forward(self, x):
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
return F.softmax(self.fc3(x), dim=-1)
# Critic网络：输出状态价值
class Critic(nn.Module):
def __init__(self, state_dim, hidden_dim=64):
super(Critic, self).__init__()
self.fc1 = nn.Linear(state_dim, hidden_dim)
self.fc2 = nn.Linear(hidden_dim, hidden_dim)
self.fc3 = nn.Linear(hidden_dim, 1)
def forward(self, x):
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
return self.fc3(x)2. PPO Agent 实现
python
运行
class PPO:
def __init__(self, state_dim, action_dim,
lr_actor=3e-4, lr_critic=1e-3,
gamma=0.99, lmbda=0.95,
eps_clip=0.2, epochs=10):
# 网络初始化
self.actor = Actor(state_dim, action_dim).to(device)
self.critic = Critic(state_dim).to(device)
self.optimizer_actor = optim.Adam(self.actor.parameters(), lr=lr_actor)
self.optimizer_critic = optim.Adam(self.critic.parameters(), lr=lr_critic)
# PPO超参数
self.gamma = gamma # 折扣因子
self.lmbda = lmbda # GAE参数
self.eps_clip = eps_clip # 裁剪系数
self.epochs = epochs # 每批数据训练轮数
# 经验池
self.memory = []
# 存储经验
def store(self, state, action, reward, log_prob, done):
self.memory.append((state, action, reward, log_prob, done))
# 选择动作（训练/测试）
def select_action(self, state, training=True):
state = torch.FloatTensor(state).unsqueeze(0).to(device)
probs = self.actor(state)
dist = torch.distributions.Categorical(probs)
action = dist.sample()
log_prob = dist.log_prob(action)
if training:
return action.item(), log_prob.item()
else:
return torch.argmax(probs).item() # 测试取最优动作
# 计算GAE优势
def compute_gae(self, rewards, dones, values):
advantages = []
advantage = 0
next_value = 0
for t in reversed(range(len(rewards))):
delta = rewards[t] + self.gamma * next_value * (1 - dones[t]) - values[t]
advantage = delta + self.gamma * self.lmbda * (1 - dones[t]) * advantage
advantages.insert(0, advantage)
next_value = values[t]
# 优势归一化
advantages = torch.FloatTensor(advantages).to(device)
advantages = (advantages - advantages.mean()) / (advantages.std() + 1e-8)
return advantages
# PPO更新核心
def update(self):
# 提取经验
states = torch.FloatTensor([s for s, a, r, lp, d in self.memory]).to(device)
actions = torch.LongTensor([a for s, a, r, lp, d in self.memory]).to(device)
rewards = torch.FloatTensor([r for s, a, r, lp, d in self.memory]).to(device)
old_log_probs = torch.FloatTensor([lp for s, a, r, lp, d in self.memory]).to(device)
dones = torch.FloatTensor([d for s, a, r, lp, d in self.memory]).to(device)
# 计算价值与优势
values = self.critic(states).squeeze()
advantages = self.compute_gae(rewards, dones, values.detach().cpu().numpy())
returns = advantages + values.detach() # TD目标
# 多轮更新
for _ in range(self.epochs):
# 新策略概率
new_probs = self.actor(states)
new_dist = torch.distributions.Categorical(new_probs)
new_log_probs = new_dist.log_prob(actions)
# 重要性采样比
ratio = torch.exp(new_log_probs - old_log_probs)
# 裁剪损失
surr1 = ratio * advantages
surr2 = torch.clamp(ratio, 1-self.eps_clip, 1+self.eps_clip) * advantages
loss_actor = -torch.min(surr1, surr2).mean()
# Critic损失
loss_critic = F.mse_loss(self.critic(states).squeeze(), returns)
# 反向传播
self.optimizer_actor.zero_grad()
self.optimizer_critic.zero_grad()
loss_actor.backward()
loss_critic.backward()
self.optimizer_actor.step()
self.optimizer_critic.step()
# 清空经验池
self.memory = []3. 训练主循环
python
运行
def train_ppo():
# 环境初始化
env = gym.make("CartPole-v1")
state_dim = env.observation_space.shape[0]
action_dim = env.action_space.n
ppo = PPO(state_dim, action_dim)
max_episodes = 1000
max_steps = 500
reward_history = []
avg_reward = deque(maxlen=100)
for episode in range(max_episodes):
state, _ = env.reset()
total_reward = 0
done = False
for step in range(max_steps):
# 选择动作
action, log_prob = ppo.select_action(state)
next_state, reward, terminated, truncated, _ = env.step(action)
done = terminated or truncated
# 存储经验
ppo.store(state, action, reward, log_prob, done)
total_reward += reward
state = next_state
if done:
break
# 更新策略
ppo.update()
# 记录奖励
avg_reward.append(total_reward)
reward_history.append(total_reward)
print(f"Episode {episode+1}, Total Reward: {total_reward}, Avg Reward: {np.mean(avg_reward):.2f}")
# 收敛条件：平均奖励≥475
if np.mean(avg_reward) >= 475:
print(f"训练完成！Episode {episode+1} 达到收敛条件")
torch.save(ppo.actor.state_dict(), "cartpole_ppo_actor.pth")
torch.save(ppo.critic.state_dict(), "cartpole_ppo_critic.pth")
break
# 绘制奖励曲线
plt.plot(reward_history)
plt.xlabel("Episode")
plt.ylabel("Total Reward")
plt.title("PPO Training on CartPole-v1")
plt.show()
if __name__ == "__main__":
train_ppo()四、训练流程与关键步骤
- 环境交互 ：每回合用旧策略采样轨迹，存储
(s,a,r,log_prob,done)。 - GAE 计算：基于 Critic 价值，计算每步优势At，并归一化。
- 多轮更新 ：同一批数据训练
epochs次，用裁剪损失限制策略更新。 - 收敛判断：连续 100 回合平均奖励≥475（CartPole 满分 500）。
五、超参数调优（关键）
表格
| 参数 | 含义 | 推荐值 | 调优方向 |
|---|---|---|---|
lr_actor |
Actor 学习率 | 3e-4 | 收敛慢调大，震荡调小 |
lr_critic |
Critic 学习率 | 1e-3 | 通常比 Actor 大 |
gamma |
折扣因子 | 0.99 | 长期依赖调大 |
lmbda |
GAE 参数 | 0.95 | 平衡偏差 / 方差 |
eps_clip |
裁剪系数 | 0.2 | 震荡调小，收敛慢调大 |
epochs |
每批训练轮数 | 10 | 数据复用次数 |
六、测试与部署
python
运行
def test_ppo():
env = gym.make("CartPole-v1", render_mode="human")
state_dim = env.observation_space.shape[0]
action_dim = env.action_space.n
ppo = PPO(state_dim, action_dim)
# 加载模型
ppo.actor.load_state_dict(torch.load("cartpole_ppo_actor.pth"))
ppo.critic.load_state_dict(torch.load("cartpole_ppo_critic.pth"))
for episode in range(10):
state, _ = env.reset()
total_reward = 0
done = False
while not done:
action = ppo.select_action(state, training=False)
next_state, reward, terminated, truncated, _ = env.step(action)
done = terminated or truncated
total_reward += reward
state = next_state
print(f"Test Episode {episode+1}, Reward: {total_reward}")
env.close()
if __name__ == "__main__":
test_ppo()七、扩展到真实小车 / ROS
- 状态空间：替换为激光雷达、相机图像、里程计（如 2D/3D 坐标、速度）。
- 动作空间 ：连续动作（线速度
v、角速度w），Actor 输出高斯分布均值 / 方差。 - 奖励函数 ：
- 正向：到达目标点 + 100、每步前进 + 1、避障 + 5
- 负向：碰撞 - 200、超时 - 50、偏离路径 - 10
- 环境对接 ：用
openai_ros或自定义 Gym 环境，实现 ROS 与 PPO Agent 通信。
八、常见问题与解决
- 训练震荡 ：减小
lr_actor、增大eps_clip、增加epochs。 - 收敛慢 ：增大学习率、调整
gamma/lmbda、增加经验池大小。 - 策略退化：确保优势归一化、裁剪损失正确、Critic 价值估计准确。