本申请涉及一种智能体的控制方法、装置、计算机设备和存储介质，该方法通过获取智能体所在环境的图像信息和本体感知状态信息，然后将图像信息和本体感知状态信息输入至融合网络中进行融合，得到融合结果，最后将融合结果输入至深度强化学习网络中进行运动决策，并基于决策结果对智能体进行控制。上述控制方法中，由于控制设备不仅考虑了视觉层面的图像信息，还考虑了运动层面的本体感知状态信息，相比传统的卷积神经网络只能应用于理想化的单一场景，上述方法能够有效地将复杂场景下的不同模态的数据进行整合，为智能体的运动控制提供了更全面和准确的信息基础，使智能体能够准确并安全地运行。