半人马座

此环境是 Mujoco 环境的一部分，其中包含有关环境的通用信息。

动作空间	Box(-1.0, 1.0, (6,), float32)
观测空间	Box(-inf, inf, (17,), float64)
import	gymnasium.make("HalfCheetah-v5")

描述

此环境基于 P. Wawrzyński 在 “A Cat-Like Robot Real-Time Learning to Run” 中的工作。 半人马座是一个二维机器人，由 9 个身体部位和 8 个连接它们的关节（包括两个爪子）组成。 目标是向关节施加扭矩，使猎豹尽可能快地向前（向右）奔跑，正向奖励基于向前移动的距离，负向奖励基于向后移动。 猎豹的躯干和头部是固定的，扭矩只能施加到前腿和大腿（连接到躯干）、胫骨（连接到大腿）和脚（连接到胫骨）上的其他 6 个关节上。

动作空间

动作空间是 Box(-1, 1, (6,), float32)。 动作表示在铰链关节处施加的扭矩。

编号	动作	控制最小值	控制最大值	名称（在相应的 XML 文件中）	关节	类型（单位）
0	施加在后大腿转子上的扭矩	-1	1	bthigh	hinge	torque (N m)
1	施加在后胫骨转子上的扭矩	-1	1	bshin	hinge	torque (N m)
2	施加在后脚转子上的扭矩	-1	1	bfoot	hinge	torque (N m)
3	施加在前大腿转子上的扭矩	-1	1	fthigh	hinge	torque (N m)
4	施加在前胫骨转子上的扭矩	-1	1	fshin	hinge	torque (N m)
5	施加在前脚转子上的扭矩	-1	1	ffoot	hinge	torque (N m)

观测空间

观测空间由以下部分组成（按顺序）

• qpos（默认 8 个元素）： 机器人身体部位的位置值。

• qvel（9 个元素）： 这些单个身体部位的速度（它们的导数）。

默认情况下，观测不包括机器人的 x 坐标（rootx）。 这可以通过在构造期间传递 exclude_current_positions_from_observation=False 来包含。 在这种情况下，观测空间将是一个 Box(-Inf, Inf, (18,), float64)，其中第一个观测元素是机器人的 x 坐标。 无论 exclude_current_positions_from_observation 设置为 True 还是 False，x 和 y 坐标都会在 info 中返回，键分别为 "x_position" 和 "y_position"。

但是，默认情况下，观测空间是一个 Box(-Inf, Inf, (17,), float64)，其中元素如下

编号	观测	最小值	最大值	名称（在相应的 XML 文件中）	关节	类型（单位）
0	前端尖端的 z 坐标	-Inf	Inf	rootz	slide	位置 (m)
1	前端尖端的角度	-Inf	Inf	rooty	hinge	角度 (rad)
2	后大腿的角度	-Inf	Inf	bthigh	hinge	角度 (rad)
3	后胫骨的角度	-Inf	Inf	bshin	hinge	角度 (rad)
4	后脚的角度	-Inf	Inf	bfoot	hinge	角度 (rad)
5	前大腿的角度	-Inf	Inf	fthigh	hinge	角度 (rad)
6	前胫骨的角度	-Inf	Inf	fshin	hinge	角度 (rad)
7	前脚的角度	-Inf	Inf	ffoot	hinge	角度 (rad)
8	前端尖端 x 坐标的速度	-Inf	Inf	rootx	slide	速度 (m/s)
9	前端尖端 z 坐标的速度	-Inf	Inf	rootz	slide	速度 (m/s)
10	前端尖端的角速度	-Inf	Inf	rooty	hinge	角速度 (rad/s)
11	后大腿的角速度	-Inf	Inf	bthigh	hinge	角速度 (rad/s)
12	后胫骨的角速度	-Inf	Inf	bshin	hinge	角速度 (rad/s)
13	后脚的角速度	-Inf	Inf	bfoot	hinge	角速度 (rad/s)
14	前大腿的角速度	-Inf	Inf	fthigh	hinge	角速度 (rad/s)
15	前胫骨的角速度	-Inf	Inf	fshin	hinge	角速度 (rad/s)
16	前脚的角速度	-Inf	Inf	ffoot	hinge	角速度 (rad/s)
已排除	前端尖端的 x 坐标	-Inf	Inf	rootx	slide	位置 (m)

奖励

总奖励为：reward = forward_reward - ctrl_cost。

• forward_reward：向前移动的奖励，如果半人马座向前移动（在正 \(x\) 方向 / 向右方向），则此奖励为正。 \(w_{forward} \times \frac{dx}{dt}\)，其中 \(dx\) 是“尖端”的位移（\(x_{after-action} - x_{before-action}\)），\(dt\) 是动作之间的时间，这取决于 frame_skip 参数（默认为 \(5\)）和 frametime，即 \(0.01\) - 因此默认值为 \(dt = 5 \times 0.01 = 0.05\)，\(w_{forward}\) 是 forward_reward_weight（默认为 \(1\)）。

• ctrl_cost：对半人马座采取过大动作的负面奖励。 \(w_{control} \times \|action\|_2^2\)，其中 \(w_{control}\) 是 ctrl_cost_weight（默认为 \(0.1\)）。

info 包含各个奖励项。

起始状态

初始位置状态为 \(\mathcal{U}_{[-reset\_noise\_scale \times I_{9}, reset\_noise\_scale \times I_{9}]}\)。 初始速度状态为 \(\mathcal{N}(0_{9}, reset\_noise\_scale^2 \times I_{9})\)。

其中 \(\mathcal{N}\) 是多元正态分布，\(\mathcal{U}\) 是多元均匀连续分布。

Episode End（回合结束）

Termination（终止）

半人马座永远不会终止。

Truncation（截断）

一个回合的默认持续时间为 1000 个时间步。

Arguments（参数）

HalfCheetah 提供了许多参数来修改观测空间、奖励函数、初始状态和终止条件。 这些参数可以在 gymnasium.make 中通过以下方式应用

import gymnasium as gym
env = gym.make('HalfCheetah-v5', ctrl_cost_weight=0.1, ....)

参数	类型	默认值	描述
xml_file	str	"half_cheetah.xml"	MuJoCo 模型的路径
forward_reward_weight	float	1	forward_reward 项的权重（参见 Rewards 部分）
ctrl_cost_weight	float	0.1	ctrl_cost 权重的权重（参见 Rewards 部分）
reset_noise_scale	float	0.1	初始位置和速度的随机扰动的比例（参见 Starting State 部分）
exclude_current_positions_from_observation	bool	True	是否从观测中省略 x 坐标。 排除位置可以作为一种归纳偏置，以在策略中诱导位置不可知的行为（参见 Observation State 部分）

版本历史

• v5

  • 最低 mujoco 版本现在是 2.3.3。

  • 添加了对完全自定义/第三方 mujoco 模型的支持，使用 xml_file 参数（以前只能对现有模型进行少量更改）。

  • 添加了 default_camera_config 参数，一个用于设置 mj_camera 属性的字典，主要用于自定义环境。

  • 添加了 env.observation_structure，一个用于指定观测空间组成的字典（例如 qpos，qvel），对于为 MuJoCo 环境构建工具和包装器很有用。

  • 返回非空的 info 和 reset()，以前返回一个空字典，新键与 step() 的状态信息相同。

  • 添加了 frame_skip 参数，用于配置 dt（step() 的持续时间），默认值因环境而异，请查看环境文档页面。

  • 恢复了 xml_file 参数（在 v4 中已删除）。

  • 将 info["reward_run"] 重命名为 info["reward_forward"]，以便与其他环境保持一致。

• v4：所有 MuJoCo 环境现在都在 mujoco >= 2.1.3 中使用 MuJoCo 绑定。

• v3：支持 gymnasium.make kwargs，例如 xml_file，ctrl_cost_weight，reset_noise_scale 等。 rgb 渲染来自跟踪相机（因此智能体不会逃离屏幕）。

• v2：所有连续控制环境现在都使用 mujoco-py >= 1.50。

• v1：对于基于机器人的任务，max_time_steps 提高到 1000。 为环境添加了 reward_threshold。

• v0：初始版本发布。