Los pájaros y los pilotos de planeadores experimentados utilizan con frecuencia las corrientes de aire ascendentes atmosféricas para vuelos de larga distancia y conservación de energía, con la energía recolectada de las corrientes ascendentes sirviendo como base. Inspirado por sus características comunes en el planeo autónomo, se utiliza un algoritmo de aprendizaje por refuerzo, el gradiente de política determinista profundo con retardo doble, para investigar la estrategia óptima para un planeador sin motor para recolectar energía de las corrientes térmicas ascendentes. Se utiliza un modelo de corriente ascendente redonda para caracterizar las corrientes ascendentes con diferentes intensidades. Se emplea un modelo de planeador de seis grados de libertad de alta fidelidad en la modelización dinámica de un planeador. Los resultados para varias posiciones iniciales de vuelo y fortalezas de corrientes ascendentes demuestran la efectividad de la estrategia aprendida a través del aprendizaje por refuerzo. Para mejorar la capacidad de percepción de las corrientes ascendentes y expandir la aplicabilidad del agente de planeador entrenado, se introduce un módulo adicional de corrección diferencial de velocidad del viento al algoritmo, y se aplica un método de simetría de estrategia. Los experimentos de comparación sobre corrientes ascendentes redondas, el modelo térmico de Gedeon y la turbulencia continua de Dryden indican el papel crucial de los métodos optimizados adicionales en la mejora de la capacidad de detección de corrientes ascendentes del agente de planeador de aprendizaje por refuerzo. Con métodos optimizados, un planeador entrenado en una corriente térmica simplificada con un método de entrenamiento simple puede tener estrategias de vuelo más efectivas.