Walker2D¶

此环境是 Mujoco 环境的一部分，其中包含有关环境的一般信息。


动作空间	`Box(-1.0, 1.0, (6,), float32)`
观察空间	`Box(-inf, inf, (17,), float64)`
导入	`gymnasium.make("Walker2d-v5")`

描述¶

此环境在 hopper 环境的基础上增加了另一组腿，使机器人能够向前行走而不是跳跃。与其他 MuJoCo 环境一样，此环境旨在增加与经典控制环境相比的独立状态和控制变量的数量。行者是一个二维双足机器人，由七个主要身体部位组成 - 顶部有一个单一的躯干（两条腿在躯干后分开），中间躯干下方有两个大腿，大腿下方有两个腿，以及连接到腿上的两个脚，整个身体靠它们支撑。目标是通过对连接七个身体部位的六个铰链施加扭矩来向前（右侧）行走。

动作空间¶

动作空间是一个 Box(-1, 1, (6,), float32)。一个动作代表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）
3	施加在左大腿转子上的扭矩	-1	1	thigh_left_joint	铰链	扭矩（N m）
4	施加在左腿转子上的扭矩	-1	1	leg_left_joint	铰链	扭矩（N m）
5	施加在左脚转子上的扭矩	-1	1	foot_left_joint	铰链	扭矩（N m）

观察空间¶

观察空间由以下部分组成（按顺序排列）

qpos（默认情况下 8 个元素）： 机器人身体部位的位置值。
qvel（9 个元素）： 这些各个身体部位的速度（它们的导数）。

默认情况下，观察不包括机器人的 x 坐标 (rootx)。这可以通过在构造期间传递 exclude_current_positions_from_observation=False 来包含。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 坐标都将在 info 中以 "x_position" 和 "y_position" 为键返回。

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	观察值	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（Walker2d 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	左大腿关节的角度	-Inf	Inf	thigh_left_joint	铰链	角度（rad）
6	左腿部关节的角度	-Inf	Inf	leg_left_joint	铰链	角度（rad）
7	左脚部关节的角度	-Inf	Inf	foot_left_joint	铰链	角度（rad）
8	躯干 x 坐标的速度	-Inf	Inf	rootx	slide	速度（m/s）
9	躯干 z 坐标（高度）的速度	-Inf	Inf	rootz	slide	速度（m/s）
10	躯干角度的角速度	-Inf	Inf	rooty	铰链	角速度（rad/s）
11	大腿铰链的角速度	-Inf	Inf	thigh_joint	铰链	角速度（rad/s）
12	腿部铰链的角速度	-Inf	Inf	leg_joint	铰链	角速度（rad/s）
13	脚部铰链的角速度	-Inf	Inf	foot_joint	铰链	角速度（rad/s）
14	大腿铰链的角速度	-Inf	Inf	thigh_left_joint	铰链	角速度（rad/s）
15	腿部铰链的角速度	-Inf	Inf	leg_left_joint	铰链	角速度（rad/s）
16	脚部铰链的角速度	-Inf	Inf	foot_left_joint	铰链	角速度（rad/s）
排除	躯干的 x 坐标	-Inf	Inf	rootx	slide	位置（m）

奖励¶

总奖励为：奖励 = 健康奖励 + 前进奖励 - 控制成本。

健康奖励： Walker2d 每次活着的时间步，它都会收到一个固定奖励，值为 healthy_reward（默认值为 \(1\)），
前进奖励： 向前移动的奖励，如果 Swimmer 向前移动（在正 \(x\) 方向 / 右侧方向），则此奖励将为正。 \(w_{forward} \times \frac{dx}{dt}\)，其中 \(dx\) 是（前）“尖端”的位移 (\(x_{after-action} - x_{before-action}\))，\(dt\) 是动作之间的时间，取决于 frame_skip 参数（默认值为 \(4\)）和 frametime，它为 \(0.002\) - 因此默认值为 \(dt = 4 \times 0.002 = 0.008\)，\(w_{forward}\) 是 forward_reward_weight（默认值为 \(1\)）。
控制成本： 对 Walker2d 采取过大的动作进行处罚的负面奖励。 \(w_{control} \times \|action\|_2^2\)，其中 \(w_{control}\) 是 ctrl_cost_weight（默认值为 \(10^{-3}\)）。

info 包含各个奖励项。

起始状态¶

初始位置状态为 \([0, 1.25, 0, 0, 0, 0, 0, 0, 0] + \mathcal{U}_{[-reset\_noise\_scale \times I_{9}, reset\_noise\_scale \times I_{9}]}\)。初始速度状态为 \(\mathcal{U}_{[-reset\_noise\_scale \times I_{9}, reset\_noise\_scale \times I_{9}]}\)。

其中 \(\mathcal{U}\) 是多元均匀连续分布。

请注意，z 坐标不为零，因此 Walker2d 可以立即站起来。

剧集结束¶

终止¶

如果 terminate_when_unhealthy is True（这是默认设置），则环境将在 Walker2d 不健康时终止。如果发生以下任何情况，Walker2d 将不健康

任何状态空间值不再是有限的
躯干的 z 坐标（高度）不在由 healthy_z_range 参数给出的闭区间内（默认值为 \([0.8, 1.0]\)）。
角度的绝对值 (observation[1] 如果 exclude_current_positions_from_observation=False，否则为 observation[2]) 不在由 healthy_angle_range 参数指定的闭区间内（默认值为 \([-1, 1]\)）。

截断¶

剧集的默认持续时间为 1000 个时间步。

参数¶

Walker2d 提供了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 期间以以下方式应用

import gymnasium as gym
env = gym.make('Walker2d-v5', ctrl_cost_weight=1e-3, ...)

参数	类型	默认值	描述
`xml_file`	str	`"walker2d_v5.xml"`	MuJoCo 模型的路径
`forward_reward_weight`	float	`1`	前进奖励项的权重（参见 `Rewards` 部分）
`ctrl_cost_weight`	float	`1e-3`	ctr_cost 项的权重（参见 `Rewards` 部分）
`healthy_reward`	float	`1`	健康奖励奖励的权重（参见 `Rewards` 部分）
`terminate_when_unhealthy`	bool	`True`	如果为 True，则发出 `terminated` 信号表示不健康（请参阅 `Episode End` 部分）。
`healthy_z_range`	元组	`(0.8, 2)`	步行者的躯干的 z 坐标必须在此范围内才能被视为健康（请参阅 `Episode End` 部分）。
`healthy_angle_range`	元组	`(-1, 1)`	角度必须在此范围内才能被视为健康（请参阅 `Episode End` 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 `Starting State` 部分）。
`exclude_current_positions_from_observation`	bool	`True`	是否从观测中省略 x 坐标。排除位置可以作为归纳偏差，以在策略中诱导位置无关的行为（请参阅 `Observation Space` 部分）。

版本历史记录¶

v5
- 最小 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一些更改）。
- 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测空间组成的字典（例如 qpos、qvel），有助于为 MuJoCo 环境构建工具和包装器。
- 使用 reset() 返回一个非空的 info，以前返回的是一个空的字典，新的键与 step() 中的相同状态信息相同。
- 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。
- 在 v2、v3 和 v4 中，模型对两只脚的摩擦系数不同（左脚摩擦系数 == 1.9，右脚摩擦系数 == 0.9）。Walker-v5 模型已更新，使其两脚的摩擦系数相同（设置为 1.9）。这会导致 Walker2d 的右脚在表面上滑动减少，因此需要更大的力才能移动（相关 GitHub 问题）。
- 修复了 bug：healthy_reward 在每一步都给出（即使 Walker2D 不健康），现在只有在 Walker2d 健康时才给出。info 中的 “reward_survive” 已更新，以反映此更改（相关 GitHub 问题）。
- 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 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（因此代理不会从屏幕中逃离）。
v2：所有连续控制环境现在都使用 mujoco-py >= 1.50。
v1：将基于机器人的任务的 max_time_steps 提高到 1000。将 reward_threshold 添加到环境中。
v0：初始版本发布