我最近实现了ppo算法他在CartPole-v1上表现出色但是在Boxing-ram-v0中不起作用有人可以解释吗?
this is the train score history in CartPole-v1
有人可以解释吗?
我认为您的模型存在的问题是,在所有时间步长中,座席动作几乎都是相同的。这可能是由于神经网络变得饱和。在CartPole环境中,所有尺寸的状态都在[-,1,1]范围内,但在Boxing-ram-v0环境中则不在。因此,在将状态存储到缓冲区之前,您应该将状态标准化为[-1,1]范围。
希望这会有所帮助!