一种机器人行走控制方法、装置、设备及介质

本申请公开了一种机器人行走控制方法、装置、设备及介质，涉及强化学习领域，包括：确定基于KL散度约束的目标损失函数，利用L2参数正则化方法基于机器人的实时环境数据、动作及用于引导机器人学习行走的数值反馈信号确定GRPO算法的原始损失函数；根据目标损失函数和原始损失函数确定改进后损失函数，根据损失值变化对初始学习率进行调整，得到调整后学习率；基于调整后学习率及改进后损失函数对上一策略参数进行更新，得到当前策略参数；在更新策略参数时，基于原始损失函数确定策略梯度，对策略梯度进行裁剪，通过裁剪后梯度向量和当前策略参数对GRPO算法进行训练，以便基于训练后GRPO算法控制机器人行走。提高了算法的稳定性。