Hopper¶

此环境是 Mujoco 环境的一部分，其中包含有关环境的常规信息。


动作空间	`Box(-1.0, 1.0, (3,), float32)`
观测空间	`Box(-inf, inf, (11,), float64)`
import	`gymnasium.make("Hopper-v5")`

描述¶

此环境基于 Erez、Tassa 和 Todorov 在 “Nonlinear Periodic Tasks 的无限范围模型预测控制” 中的工作。该环境旨在增加独立状态和控制变量的数量，与经典控制环境相比。 Hopper 是一个二维单腿人物，由四个主要身体部分组成 - 顶部的躯干、中间的大腿、底部的腿以及支撑整个身体的单脚。目标是通过对连接四个身体部分的三个铰链施加扭矩，使跳跃沿向前（右）方向移动。

动作空间¶

动作空间是 Box(-1, 1, (3,), float32)。动作表示在铰链关节处施加的扭矩。

序号	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	施加在大腿转子上的扭矩	-1	1	thigh_joint	铰链	扭矩 (N m)
1	施加在腿部转子上的扭矩	-1	1	leg_joint	铰链	扭矩 (N m)
2	施加在脚部转子上的扭矩	-1	1	foot_joint	铰链	扭矩 (N m)

观测空间¶

观测空间由以下部分组成（按顺序）

qpos（默认 5 个元素）： 机器人身体部位的位置值。
qvel（6 个元素）： 这些单独身体部位的速度（它们的导数）。

默认情况下，观测不包括机器人的 x 坐标（rootx）。可以通过在构造期间传递 exclude_current_positions_from_observation=False 来包含它。在这种情况下，观测空间将是 Box(-Inf, Inf, (12,), 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"。

默认情况下，观测空间是 Box(-Inf, Inf, (11,), float64)，其中元素如下

序号	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	躯干的 z 坐标（hopper 的高度）	-Inf	Inf	rootz	slide	位置 (m)
1	躯干的角度	-Inf	Inf	rooty	铰链	角度 (rad)
2	大腿关节的角度	-Inf	Inf	thigh_joint	铰链	角度 (rad)
3	腿部关节的角度	-Inf	Inf	leg_joint	铰链	角度 (rad)
4	脚部关节的角度	-Inf	Inf	foot_joint	铰链	角度 (rad)
5	躯干 x 坐标的速度	-Inf	Inf	rootx	slide	速度 (m/s)
6	躯干 z 坐标（高度）的速度	-Inf	Inf	rootz	slide	速度 (m/s)
7	躯干角度的角速度	-Inf	Inf	rooty	铰链	角速度 (rad/s)
8	大腿铰链的角速度	-Inf	Inf	thigh_joint	铰链	角速度 (rad/s)
9	腿部铰链的角速度	-Inf	Inf	leg_joint	铰链	角速度 (rad/s)
10	脚部铰链的角速度	-Inf	Inf	foot_joint	铰链	角速度 (rad/s)
已排除	躯干的 x 坐标	-Inf	Inf	rootx	slide	位置 (m)

奖励¶

总奖励为：reward = healthy_reward + forward_reward - ctrl_cost。

healthy_reward：在 Hopper 健康的每个时间步（请参阅“情节结束”部分中的定义），它都会获得固定值 healthy_reward 的奖励（默认为 \(1\)）。
forward_reward：向前移动的奖励，如果 Hopper 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“躯干”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 \(4\)），而 frametime 为 \(0.002\) - 因此默认值为 \(dt = 4 \times 0.002 = 0.008\)，\(w_{forward}\) 是 forward_reward_weight（默认为 \(1\)）。
ctrl_cost：惩罚 Hopper 采取过大动作的负奖励。\(w_{control} \times \|action\|_2^2\)，其中 \(w_{control}\) 是 ctrl_cost_weight（默认为 \(10^{-3}\)）。

info 包含各个奖励项。

起始状态¶

初始位置状态为 \([0, 1.25, 0, 0, 0, 0] + \mathcal{U}_{[-reset\_noise\_scale \times I_{6}, reset\_noise\_scale \times I_{6}]}\)。初始速度状态为 \(\mathcal{U}_{[-reset\_noise\_scale \times I_{6}, reset\_noise\_scale \times I_{6}]}\)。

其中 \(\mathcal{U}\) 是多元均匀连续分布。

请注意，z 坐标是非零的，以便 hopper 可以立即站立起来。

情节结束¶

终止¶

如果 terminate_when_unhealthy is True（默认值），则当 Hopper 不健康时，环境终止。如果发生以下任何一种情况，Hopper 将被认为是不健康的

observation[1:] 的元素（如果 exclude_current_positions_from_observation=True，否则 observation[2:]）不再包含在 healthy_state_range 参数指定的闭区间内（默认为 \([-100, 100]\)）。
hopper 的高度（如果 exclude_current_positions_from_observation=True，则为 observation[0]，否则为 observation[1]）不再包含在 healthy_z_range 参数指定的闭区间内（默认为 \([0.7, +\infty]\)）（通常意味着它已跌倒）。
躯干的角度（如果 exclude_current_positions_from_observation=True，则为 observation[1]，否则为 observation[2]）不再包含在 healthy_angle_range 参数指定的闭区间内（默认为 \([-0.2, 0.2]\)）。

截断¶

情节的默认持续时间为 1000 个时间步。

参数¶

Hopper 提供了一系列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 期间通过以下方式应用

import gymnasium as gym
env = gym.make('Hopper-v5', ctrl_cost_weight=1e-3, ....)

参数	类型	默认值	描述
`xml_file`	str	`"hopper.xml"`	MuJoCo 模型的路径
`forward_reward_weight`	float	`1`	forward_reward 项的权重（请参阅 `奖励` 部分）
`ctrl_cost_weight`	float	`1e-3`	ctrl_cost 奖励的权重（请参阅 `奖励` 部分）
`healthy_reward`	float	`1`	healthy_reward 奖励的权重（请参阅 `奖励` 部分）
`terminate_when_unhealthy`	bool	`True`	如果 `True`，则在不健康时发出 `terminated` 信号（请参阅 `情节结束` 部分）
`healthy_state_range`	tuple	`(-100, 100)`	`observation[1:]` 的元素（如果 `exclude_current_positions_from_observation=True`，否则 `observation[2:]`）必须在此范围内，hopper 才被认为是健康的（请参阅 `情节结束` 部分）
`healthy_z_range`	tuple	`(0.7, float("inf"))`	z 坐标必须在此范围内，hopper 才被认为是健康的（请参阅 `情节结束` 部分）
`healthy_angle_range`	tuple	`(-0.2, 0.2)`	由 `observation[1]` 给出的角度（如果 `exclude_current_positions_from_observation=True`，否则 `observation[2]`）必须在此范围内，hopper 才被认为是健康的（请参阅 `情节结束` 部分）
`reset_noise_scale`	float	`5e-3`	初始位置和速度的随机扰动的比例（请参阅 `起始状态` 部分）
`exclude_current_positions_from_observation`	bool	`True`	是否从观测中省略 x 坐标。排除位置可以充当归纳偏置，以在策略中诱导与位置无关的行为（请参阅 `观测空间` 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 wrappers 很有用。
- 返回一个非空的 info 与 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。
- 修复错误：healthy_reward 在每个步骤都给出（即使 Hopper 不健康），现在仅在 Hopper 健康时给出。info["reward_survive"] 已使用此更改更新（相关 GitHub issue）。
- 恢复了 xml_file 参数（在 v4 中已删除）。
- 在 info 中添加了单独的奖励项（info["reward_forward"]，info["reward_ctrl"]，info["reward_survive"]）。
- 添加了 info["z_distance_from_origin"]，它等于“躯干”身体与其初始位置的垂直距离。
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 kwargs，例如 xml_file，ctrl_cost_weight，reset_noise_scale 等。rgb 渲染来自跟踪相机（因此智能体不会从屏幕上跑掉）
v2：所有连续控制环境现在都使用 mujoco-py >= 1.50。
v1：机器人任务的最大时间步数增加到 1000。为环境添加了 reward_threshold。
v0：初始版本发布。