返回代表工作

竞赛项目2026全国总决赛三等奖

腾讯开悟 · 峡谷追猎强化学习

面向局部可观测生存博弈的多目标分层 PPO 方案，联合优化生存、收集与探索策略。

我的角色: 队长、强化学习方案与训练工程
方法与工具: PPO · Actor-Critic · Hierarchical policy · LSTM / Transformer Policy

多目标分层 PPO 的状态编码、策略网络与奖励反馈结构图

01

问题与挑战

智能体需要在复杂地图中躲避追击并收集资源，任务同时具有局部可观测、多目标冲突、稀疏奖励和长程规划难题。

02

关键贡献

设计分层 Actor 与多头 Critic，将移动、技能释放和不同任务目标的价值估计解耦。
融合局部观测、目标关系和历史状态，并使用 LSTM / Transformer Policy 维持长短期决策上下文。
围绕生存、资源收集与地图探索设计多目标奖励和阶段化 Reward Shaping，缓解稀疏奖励与目标冲突。
持续迭代采样、评估与训练配置，结合失败回放定位策略坍缩和探索不足问题。

03

结果与公开边界

方案获得东部赛区初赛前列成绩，并获全国总决赛三等奖；公开仓库记录了网络、奖励与训练设计。