PPO LunarLander-v3

使用 Stable-Baselines3 在 Gymnasium 的 LunarLander-v3 环境上训练的一个月球着陆器智能体（PPO 算法）。

环境

• 环境：LunarLander-v3（Gymnasium / Box2D）
• 动作空间：4 个离散动作（无操作 / 左引擎 / 主引擎 / 右引擎）
• 状态空间：8 维连续观测

算法与超参数

超参数	值
算法	PPO（MlpPolicy）
gamma	0.999
总训练步数	1,500,000
并行环境数	16
n_steps	1024
学习率	3e-4

评估结果

• 平均奖励：284.28 ± 29.55（100 局确定性评估）
• 超过 LunarLander 「通关」标准（平均奖励 ≥ 200）

回放视频

观看回放视频