算法
算法页面描述每个内置入口运行的内容、其配置所在位置，以及用哪种命令形式来选择它。
关于通用 flag，请参见 CLI 参考。
算法 |
类型 |
入口 |
配置证据 |
|---|
PPO |
同步 on-policy |
scripts/train_rsl_rl.py
|
conf/ppo/config.yaml
|
APPO |
异步 on-policy |
scripts/train_appo.py
|
conf/appo/config.yaml
|
SAC |
off-policy |
scripts/train_offpolicy.py
|
conf/offpolicy/algo/sac.yaml
|
TD3 |
off-policy |
scripts/train_offpolicy.py
|
conf/offpolicy/algo/td3.yaml
|
FlashSAC |
off-policy |
scripts/train_offpolicy.py
|
conf/offpolicy/algo/flashsac.yaml
|
HIM-PPO |
高度估计器 PPO 路径 |
scripts/train_him_ppo.py
|
conf/ppo_him/config.yaml
|
HORA |
teacher/student 蒸馏路径 |
scripts/train_hora_distill.py
|
conf/hora_distill/config.yaml
|
MLX PPO |
面向 Apple Silicon 的同步 on-policy |
scripts/train_mlx_ppo.py
|
conf/ppo/config_mlx.yaml
|