已验证75% 置信事实精确时间

Proximal Policy Optimization（PPO）是机器人强化学习的主力策略梯度算法工具

3

来源数

75%

置信度

长期有效

时效性

2026/8/30

首次发现

来源

Microduck：开源双足机器人sim2real实践详解

涉及实体

相关事实

已验证PPO（Proximal Policy Optimization）是OpenAI于2017年提出的策略梯度算法，通过裁剪目标函数来限制每次策略更新的幅度77% 相似待验证传统的PPO算法需要同时训练一个策略网络和一个价值网络（Critic/Value Model）73% 相似待验证对于连续动作空间，PPO通常搭配高斯策略输出，网络同时预测动作均值与标准差72% 相似待验证该独立开发者的销售转化模型采用PPO（近端策略优化）在序列嵌入之上进行训练71% 相似待验证PPO 是目前 LLM 对齐训练（如 RLHF）中最广泛使用的算法70% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/822564

API

curl https://kongchang.com/api/v1/knowledge/claims/822564

MCP

get_claim(id=822564)