Pusher

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(-2.0, 2.0, (7,), float32)
观测空间	Box(-inf, inf, (23,), float64)
import	gymnasium.make("Pusher-v5")

描述

“Pusher” 是一种多关节机器人手臂，与人手臂非常相似。 目标是使用机器人的末端执行器（称为指尖）将目标圆柱体（称为物体）移动到目标位置。 该机器人由肩部、肘部、前臂和腕部关节组成。

动作空间

动作空间是一个 Box(-2, 2, (7,), float32)。 动作 (a, b) 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	肩部水平转动	-2	2	r_shoulder_pan_joint	铰链	扭矩 (N m)
1	肩部抬起关节的旋转	-2	2	r_shoulder_lift_joint	铰链	扭矩 (N m)
2	肩部滚动关节的旋转	-2	2	r_upper_arm_roll_joint	铰链	扭矩 (N m)
3	弯曲肘部的铰链关节的旋转	-2	2	r_elbow_flex_joint	铰链	扭矩 (N m)
4	滚动前臂的铰链的旋转	-2	2	r_forearm_roll_joint	铰链	扭矩 (N m)
5	弯曲腕部的旋转	-2	2	r_wrist_flex_joint	铰链	扭矩 (N m)
6	滚动腕部的旋转	-2	2	r_wrist_roll_joint	铰链	扭矩 (N m)

观测空间

观测空间由以下部分（按顺序）组成

• qpos (7 个元素): 机器人身体部位的位置值。

• qvel (7 个元素): 这些单独身体部位的速度（它们的导数）。

• xpos (3 个元素): Pusher 指尖的坐标。

• xpos (3 个元素): 要移动的物体的坐标。

• xpos (3 个元素): 目标位置的坐标。

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	肩部水平转动	-Inf	Inf	r_shoulder_pan_joint	铰链	角度 (rad)
1	肩部抬起关节的旋转	-Inf	Inf	r_shoulder_lift_joint	铰链	角度 (rad)
2	肩部滚动关节的旋转	-Inf	Inf	r_upper_arm_roll_joint	铰链	角度 (rad)
3	弯曲肘部的铰链关节的旋转	-Inf	Inf	r_elbow_flex_joint	铰链	角度 (rad)
4	滚动前臂的铰链的旋转	-Inf	Inf	r_forearm_roll_joint	铰链	角度 (rad)
5	弯曲腕部的旋转	-Inf	Inf	r_wrist_flex_joint	铰链	角度 (rad)
6	滚动腕部的旋转	-Inf	Inf	r_wrist_roll_joint	铰链	角度 (rad)
7	肩部水平转动的角速度	-Inf	Inf	r_shoulder_pan_joint	铰链	角速度 (rad/s)
8	肩部抬起关节的角速度	-Inf	Inf	r_shoulder_lift_joint	铰链	角速度 (rad/s)
9	肩部滚动关节的角速度	-Inf	Inf	r_upper_arm_roll_joint	铰链	角速度 (rad/s)
10	弯曲肘部的铰链关节的角速度	-Inf	Inf	r_elbow_flex_joint	铰链	角速度 (rad/s)
11	滚动前臂的铰链的角速度	-Inf	Inf	r_forearm_roll_joint	铰链	角速度 (rad/s)
12	弯曲腕部的角速度	-Inf	Inf	r_wrist_flex_joint	铰链	角速度 (rad/s)
13	滚动腕部的角速度	-Inf	Inf	r_wrist_roll_joint	铰链	角速度 (rad/s)
14	Pusher 指尖的 x 坐标	-Inf	Inf	tips_arm	slide	位置 (m)
15	Pusher 指尖的 y 坐标	-Inf	Inf	tips_arm	slide	位置 (m)
16	Pusher 指尖的 z 坐标	-Inf	Inf	tips_arm	slide	位置 (m)
17	要移动的物体的 x 坐标	-Inf	Inf	object (obj_slidex)	slide	位置 (m)
18	要移动的物体的 y 坐标	-Inf	Inf	object (obj_slidey)	slide	位置 (m)
19	要移动的物体的 z 坐标	-Inf	Inf	object	cylinder	位置 (m)
20	物体目标位置的 x 坐标	-Inf	Inf	goal (goal_slidex)	slide	位置 (m)
21	物体目标位置的 y 坐标	-Inf	Inf	goal (goal_slidey)	slide	位置 (m)
22	物体目标位置的 z 坐标	-Inf	Inf	goal	sphere	位置 (m)

为了理解状态空间，可以将人类手臂作为类比，其中“弯曲”和“滚动”这两个词与人类关节中的含义相同。

奖励

总奖励为：奖励 = reward_dist + reward_ctrl + reward_near。

• reward_near：此奖励衡量 Pusher 的指尖（未连接的末端）与物体的距离，当 Pusher 的指尖离目标更远时，分配更负的值。 它是 \(-w_{near} \|(P_{fingertip} - P_{target})\|_2\)。 其中 \(w_{near}\) 是 reward_near_weight （默认值为 \(0.5\)）。

• reward_dist：此奖励衡量物体与目标目标位置的距离，如果物体离目标更远，则分配更负的值。 它是 \(-w_{dist} \|(P_{object} - P_{target})\|_2\)。 其中 \(w_{dist}\) 是 reward_dist_weight （默认值为 \(1\)）。

• reward_control：对 Pusher 采取过大动作进行惩罚的负奖励。 它被测量为动作的负平方欧几里得范数，即 \(-w_{control} \|action\|_2^2\)。 其中 \(w_{control}\) 是 reward_control_weight （默认值为 \(0.1\)）。

info 包含各个奖励项。

起始状态

Pusher 手臂的初始位置状态为 \(0_{6}\)。 物体的初始位置状态为 \(\mathcal{U}_{[[-0.3, -0.2], [0, 0.2]]}\)。 目标的的位置状态（永久）为 \([0.45, -0.05, -0.323]\)。 Pusher 手臂的初始速度状态为 \(\mathcal{U}_{[-0.005 \times I_{6}, 0.005 \times I_{6}]}\)。 物体的初始速度状态为 \(0_2\)。 目标的速度状态（永久）为 \(0_3\)。

其中 \(\mathcal{U}\) 是多元均匀连续分布。

请注意，物体初始位置状态的采样将持续到其与目标的距离 \( > 0.17 m\)。

默认帧速率为 5，每帧持续 0.01，因此 dt = 5 * 0.01 = 0.05。

Episode 结束

终止

Pusher 永远不会终止。

截断

一个 episode 的默认持续时间为 100 个时间步。

参数

Pusher 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 中通过以下方式应用

import gymnasium as gym
env = gym.make('Pusher-v5', xml_file=...)

参数	类型	默认值	描述
xml_file	str	"pusher_v5.xml"	MuJoCo 模型的路径
reward_near_weight	float	0.5	reward_near 项的权重（参见 奖励 部分）
reward_dist_weight	float	1	reward_dist 项的权重（参见 奖励 部分）
reward_control_weight	float	0.1	reward_control 项的权重（参见 奖励 部分）

版本历史

• v5

  • 最低 mujoco 版本现在为 2.3.3。

  • 修复错误：增加了物体的密度，使其高于空气（相关 GitHub issue）。

  • 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 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。

  • 添加了 xml_file 参数。

  • 修复错误：reward_distance & reward_near 基于物理步骤之前的状态，现在它基于物理步骤之后的状态（相关 GitHub issue）。

  • 添加了 reward_near_weight、reward_dist_weight、reward_control_weight 参数来配置奖励函数（默认值与 v4 中的值基本相同）。

  • 修复了 info["reward_ctrl"] 未乘以奖励权重的问题。

  • 添加了 info["reward_near"]，它等于奖励项 reward_near。

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

  • 警告：此版本的环境与 mujoco>=3.0.0 不兼容（相关 GitHub issue）。

• v3：此环境没有 v3 版本。

• 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提高到 1000（不包括 pusher，其最大时间步数为 100）。 为环境添加了 reward_threshold。

• v0：初始版本发布。