代码地址见文末

摘要

        自主着陆控制在航天任务中是极具挑战性的技术问题，尤其是在高维状态空间和连续动作空间下，传统的控制方法存在局限性。本文采用强化学习中的**PPO（Proximal Policy Optimization）**算法，对经典的月球登陆器问题进行求解。通过构建强化学习框架，智能体通过与环境交互学习最优控制策略，实现高效且稳定的自主着陆。实验结果表明，PPO能够快速收敛并获得较高的任务成功率，为解决连续控制问题提供了有效的方法与理论支持。

1.介绍

（1）研究背景

        在航天任务中，着陆器自主控制是影响任务成功率的关键技术。月球着陆任务要求控制器根据实时状态，调节推进器的推力和方向，平稳地将着陆器降落到指定位置，同时考虑燃料的最小消耗。然而，由于环境复杂、不确定性强，基于规则的控制方法难以满足实时任务需求。 强化学习（Reinforcement Learning, RL）作为机器学习中的一大类方法，通过智能体与环境的交互学习策略，能够自主优化控制行为，为解决复杂控制问题提供了新的思路。本研究中，我们基于强化学习中的PPO算法，针对OpenAI Gym提供的“月球登陆器”任务进行求解与分析，验证PPO在连续动作空间问题中的性能与优势。