半猎豹

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)
观察空间	Box(-inf, inf, (17,), float64)
导入	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。 半猎豹是一个二维机器人，由 9 个身体部分和连接它们的 8 个关节组成（包括两个爪子）。目标是将扭矩施加到关节上，使猎豹尽可能快地向前（向右）奔跑，奖励基于向前移动的距离，向后移动则会获得负奖励。猎豹的躯干和头部是固定的，扭矩只能施加到连接到躯干的前后大腿（包括 6 个其他关节）、小腿（连接到大腿）和脚（连接到小腿）。

动作空间

动作空间是 Box(-1, 1, (6,), float32)。动作表示施加在铰链关节上的扭矩。

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面的扭矩	-1	1	bthigh	铰链	扭矩（N m）
1	施加在后小腿转子上面的扭矩	-1	1	bshin	铰链	扭矩（N m）
2	施加在后足转子上面的扭矩	-1	1	bfoot	铰链	扭矩（N m）
3	施加在前大腿转子上面的扭矩	-1	1	fthigh	铰链	扭矩（N m）
4	施加在前小腿转子上面的扭矩	-1	1	fshin	铰链	扭矩（N m）
5	施加在前足转子上面的扭矩	-1	1	ffoot	铰链	扭矩（N m）

观察空间

观察空间由以下部分组成（按顺序）

• qpos（默认情况下 8 个元素）：机器人的身体部分的位置值。

• qvel（9 个元素）：这些单个身体部分的速度（它们的导数）。

默认情况下，观察不包括机器人的 x 坐标 (rootx)。这可以通过在构建期间传递 exclude_current_positions_from_observation=False 来包括。在这种情况下，观察空间将是一个 Box(-Inf, Inf, (18,), float64)，其中第一个观察元素是机器人的 x 坐标。无论 exclude_current_positions_from_observation 是否设置为 True 或 False，x 和 y 坐标都将在 info 中返回，键分别为 "x_position" 和 "y_position"。

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

编号	观察	最小值	最大值	名称（在相应的 XML 文件中）	关节	类型（单位）
0	前端的 z 坐标	-Inf	Inf	rootz	滑动	位置（m）
1	前端的角度	-Inf	Inf	rooty	铰链	角度（rad）
2	后大腿的角度	-Inf	Inf	bthigh	铰链	角度（rad）
3	后小腿的角度	-Inf	Inf	bshin	铰链	角度（rad）
4	后足的角度	-Inf	Inf	bfoot	铰链	角度（rad）
5	前大腿的角度	-Inf	Inf	fthigh	铰链	角度（rad）
6	前小腿的角度	-Inf	Inf	fshin	铰链	角度（rad）
7	前足的角度	-Inf	Inf	ffoot	铰链	角度（rad）
8	前端 x 坐标的速度	-Inf	Inf	rootx	滑动	速度（m/s）
9	前端 z 坐标的速度	-Inf	Inf	rootz	滑动	速度（m/s）
10	前端的角速度	-Inf	Inf	rooty	铰链	角速度（rad/s）
11	后大腿的角速度	-Inf	Inf	bthigh	铰链	角速度（rad/s）
12	后小腿的角速度	-Inf	Inf	bshin	铰链	角速度（rad/s）
13	后足的角速度	-Inf	Inf	bfoot	铰链	角速度（rad/s）
14	前大腿的角速度	-Inf	Inf	fthigh	铰链	角速度（rad/s）
15	前小腿的角速度	-Inf	Inf	fshin	铰链	角速度（rad/s）
16	前足的角速度	-Inf	Inf	ffoot	铰链	角速度（rad/s）
排除	前端的 x 坐标	-Inf	Inf	rootx	滑动	位置（m）

奖励

总奖励为：奖励 = 向前奖励 - 控制成本。

• 向前奖励：向前移动的奖励，如果半猎豹向前移动（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（默认值为 \(5\)）和 frametime，该参数为 \(0.01\) - 因此默认值为 \(dt = 5 \times 0.01 = 0.05\)，\(w_{forward}\) 是 forward_reward_weight（默认值为 \(1\)）。

• 控制成本：对半猎豹采取过大的动作进行惩罚的负奖励。 \(w_{control} \times \|action\|_2^2\)，其中 \(w_{control}\) 是 ctrl_cost_weight（默认值为 \(0.1\)）。

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。

回合结束

终止

半猎豹从不终止。

截断

回合的默认时长为 1000 个时间步长。

参数

HalfCheetah 提供一系列参数来修改观察空间、奖励函数、初始状态和终止条件。这些参数可以在 gymnasium.make 中以以下方式应用

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	向前奖励项的权重（参见 Rewards 部分）
ctrl_cost_weight	float	0.1	控制成本权重的权重（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	是否从观察中省略 x 坐标。排除位置可以作为一种归纳偏差，在策略中诱导位置无关的行为（参见 Observation State 部分）

版本历史

• v5

  • 最低 mujoco 版本现在是 2.3.3。

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

  • 添加了 default_camera_config 参数，这是一个用于设置 mj_camera 属性的字典，主要用于自定义环境。

  • 添加了 env.observation_structure，这是一个用于指定观察空间组成的字典（例如 qpos、qvel），有助于为 MuJoCo 环境构建工具和包装器。

  • 返回一个非空的 info，其中包含 reset()，以前返回的是一个空字典，新的键与 step() 中相同的 state 信息。

  • 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"]，以与其他环境保持一致。

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

• v3：支持 gymnasium.make 的关键字参数，例如 xml_file、ctrl_cost_weight、reset_noise_scale 等。RGB 渲染来自跟踪相机（因此代理不会远离屏幕）。

• v2：所有连续控制环境现在都使用 mujoco-py >= 1.50。

• v1：基于机器人的任务的 max_time_steps 增加到 1000。为环境添加了 reward_threshold。

• v0：初始版本发布。