Hopper¶

此环境是 Mujoco 环境的一部分，其中包含有关该环境的常规信息。


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“非线性周期任务的无限时域模型预测控制”一文中的工作。该环境旨在相比经典控制环境增加状态变量和控制变量的独立数量。Hopper 是一个二维单腿人形物体，由四个主要身体部分组成：顶部的躯干、中间的大腿、底部的小腿，以及支撑整个身体的单只脚。目标是通过对连接四个身体部位的三个铰链施加扭矩，使 Hopper 向前（右）跳跃。

动作空间¶

动作空间是一个 Box(-1, 1, (3,), 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（对应 XML 文件）	关节	类型（单位）
0	施加在大腿转子上的扭矩	-1	1	thigh_joint	铰链 (hinge)	扭矩 (N m)
1	施加在小腿转子上的扭矩	-1	1	leg_joint	铰链 (hinge)	扭矩 (N m)
2	施加在脚部转子上的扭矩	-1	1	foot_joint	铰链 (hinge)	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): 这些身体部位的速度（其导数）。

默认情况下，观测值不包含机器人的 x 坐标 (rootx)。可以通过在构造时传入 exclude_current_positions_from_observation=False 来包含它。在这种情况下，观测空间将是一个 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 是否设置为 True 或 False，x 和 y 坐标都会通过 info 返回，键分别为 "x_position" 和 "y_position"。

然而，默认的观测空间是一个 Box(-Inf, Inf, (11,), float64)，其中各元素如下：

编号	观测值	最小值	最大值	名称（对应 XML 文件）	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 (hinge)	角度 (rad)
2	大腿关节的角度	-Inf	Inf	thigh_joint	铰链 (hinge)	角度 (rad)
3	小腿关节的角度	-Inf	Inf	leg_joint	铰链 (hinge)	角度 (rad)
4	脚部关节的角度	-Inf	Inf	foot_joint	铰链 (hinge)	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 (hinge)	角速度 (rad/s)
8	大腿铰链的角速度	-Inf	Inf	thigh_joint	铰链 (hinge)	角速度 (rad/s)
9	小腿铰链的角速度	-Inf	Inf	leg_joint	铰链 (hinge)	角速度 (rad/s)
10	脚部铰链的角速度	-Inf	Inf	foot_joint	铰链 (hinge)	角速度 (rad/s)
已排除	躯干的 x 坐标	-Inf	Inf	rootx	slide	位置 (m)

奖励（Rewards）¶

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

healthy_reward：Hopper 保持健康的每一个时间步（参见“回合结束”章节中的定义），都会获得一个固定数值的奖励 healthy_reward（默认为 \(1\)）。
forward_reward：向前移动的奖励。如果 Hopper 向前（正 \(x\) 方向/向右方向）移动，该奖励为正值。计算公式为 \(w_{forward} \times \frac{dx}{dt}\)，其中 \(dx\) 是“躯干”的位移（\(x_{after-action} - x_{before-action}\)），\(dt\) 是两次动作之间的时间，取决于 frame_skip 参数（默认为 \(4\)）和 frametime（为 \(0.002\)）——因此默认情况下 \(dt = 4 \times 0.002 = 0.008\)，\(w_{forward}\) 是 forward_reward_weight（默认为 \(1\)）。
ctrl_cost：惩罚 Hopper 动作幅度过大的负奖励。计算公式为 \(w_{control} \times \|action\|_2^2\)，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。

注意，z 坐标是非零的，这样 Hopper 可以立即站立。

回合结束¶

终止¶

如果 terminate_when_unhealthy 为 True（默认值），当 Hopper 变得不健康时，环境将终止。如果发生以下任何情况，Hopper 即被视为不健康：

observation[1:]（如果 exclude_current_positions_from_observation=True，否则为 observation[2:]）中的任一元素不再包含在 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 \([0.7, +\infty]\)）（通常意味着它已经跌倒）。
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¶

一集的默认持续时间为 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 中按以下方式应用：

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（参见 `奖励` 部分）
`ctrl_cost_weight`	float	`1e-3`	ctrl_cost 奖励的权重（参见 `奖励` 章节）
`healthy_reward`	float	`1`	healthy_reward 奖励的权重（参见 `奖励` 章节）
`terminate_when_unhealthy`	bool	`True`	如果 `True`，则在不健康时发出 `terminated` 信号（参见 `剧集结束` 部分）
`healthy_state_range`	tuple	`(-100, 100)`	`observation[1:]`（如果 `exclude_current_positions_from_observation=True`，否则为 `observation[2:]`）中的元素必须在此范围内，Hopper 才能被视为健康（参见 `回合结束` 章节）
`healthy_z_range`	tuple	`(0.7, float("inf"))`	z 坐标必须在此范围内，Hopper 才能被视为健康（参见 `回合结束` 章节）
`healthy_angle_range`	tuple	`(-0.2, 0.2)`	`observation[1]`（如果 `exclude_current_positions_from_observation=True`，否则为 `observation[2]`）给出的角度必须在此范围内，Hopper 才能被视为健康（参见 `回合结束` 章节）
`reset_noise_scale`	float	`5e-3`	初始位置和速度的随机扰动比例（参见 `起始状态` 部分）
`exclude_current_positions_from_observation`	bool	`True`	是否在观测中省略 x 坐标。排除位置信息可以作为一种归纳偏置，用于诱导策略产生与位置无关的行为（参见 `观测空间` 章节）

版本历史¶

v5
- 最低 mujoco 版本现为 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（此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，主要对自定义环境有用。
- 添加了 env.observation_structure，一个用于指定观测空间组成（例如 qpos, qvel）的字典，对构建 MuJoCo 环境的工具和包装器很有用。
- 使用 reset() 返回非空的 info，之前返回的是空字典；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，请检查环境文档页面。
- 修复 Bug：healthy_reward 在每一步都会给予（即使 Hopper 不健康时），现在仅在 Hopper 健康时给予。info["reward_survive"] 随此更改进行了更新（相关 GitHub Issue）。
- 恢复了 xml_file 参数（在 v4 中被移除）。
- 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"]，其等于“躯干”部位相对于其初始位置的垂直距离。
v4：所有 MuJoCo 环境现在使用 mujoco >= 2.1.3 的绑定。
v3：支持 gymnasium.make 关键字参数，例如 xml_file、ctrl_cost_weight、reset_noise_scale 等。RGB 渲染来自跟踪摄像头（因此智能体不会跑出屏幕）。已移至 gymnasium-robotics 仓库。
v2：所有连续控制环境现在都使用 mujoco-py >= 1.50。已移至 gymnasium-robotics 仓库。
v1：将机器人任务的 max_time_steps 提高到 1000。为环境添加了 reward_threshold。
v0：初始版本发布。