Walker2D¶

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, (6,), float32)`
观测空间	`Box(-inf, inf, (17,), float64)`
import	`gymnasium.make("Walker2d-v5")`

描述¶

此环境基于 hopper 环境构建，增加了一组腿，使机器人能够向前行走而不是跳跃。与其他 MuJoCo 环境一样，此环境旨在增加独立状态和控制变量的数量，与经典控制环境相比。walker 是一个二维双足机器人，由七个主要身体部位组成 - 顶部的单个躯干（两条腿在躯干后分开），躯干下方中间的两个大腿，大腿下方的两条腿，以及连接到腿部的两个脚，整个身体都 resting 在上面。目标是通过对连接七个身体部位的六个铰链施加扭矩，沿向前（右）方向行走。

动作空间¶

动作空间是一个 Box(-1, 1, (6,), float32)。一个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	施加在大腿转子上的扭矩	-1	1	thigh_joint	hinge	扭矩 (N m)
1	施加在腿部转子上的扭矩	-1	1	leg_joint	hinge	扭矩 (N m)
2	施加在脚部转子上的扭矩	-1	1	foot_joint	hinge	扭矩 (N m)
3	施加在左大腿转子上的扭矩	-1	1	thigh_left_joint	hinge	扭矩 (N m)
4	施加在左腿转子上的扭矩	-1	1	leg_left_joint	hinge	扭矩 (N m)
5	施加在左脚转子上的扭矩	-1	1	foot_left_joint	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 8 个元素): 机器人身体部位的位置值。
qvel (9 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）。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，观测空间将是一个 Box(-Inf, Inf, (18,), 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 坐标都会在 info 中返回，键分别为 "x_position" 和 "y_position"。

但是，默认情况下，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	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	hinge	角度 (rad)
2	大腿关节的角度	-Inf	Inf	thigh_joint	hinge	角度 (rad)
3	腿部关节的角度	-Inf	Inf	leg_joint	hinge	角度 (rad)
4	脚部关节的角度	-Inf	Inf	foot_joint	hinge	角度 (rad)
5	左大腿关节的角度	-Inf	Inf	thigh_left_joint	hinge	角度 (rad)
6	左腿关节的角度	-Inf	Inf	leg_left_joint	hinge	角度 (rad)
7	左脚关节的角度	-Inf	Inf	foot_left_joint	hinge	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	hinge	角速度 (rad/s)
11	大腿铰链的角速度	-Inf	Inf	thigh_joint	hinge	角速度 (rad/s)
12	腿部铰链的角速度	-Inf	Inf	leg_joint	hinge	角速度 (rad/s)
13	脚部铰链的角速度	-Inf	Inf	foot_joint	hinge	角速度 (rad/s)
14	大腿铰链的角速度	-Inf	Inf	thigh_left_joint	hinge	角速度 (rad/s)
15	腿部铰链的角速度	-Inf	Inf	leg_left_joint	hinge	角速度 (rad/s)
16	脚部铰链的角速度	-Inf	Inf	foot_left_joint	hinge	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：奖励 = 健康奖励加成 + 前进奖励 - 控制成本。

healthy_reward: Walker2d 存活的每个时间步，它都会收到固定值的奖励 healthy_reward (默认为 \(1\)),
forward_reward: 向前移动的奖励，如果 Swimmer 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（前）“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（默认为 \(4\)）和 frametime，它是 \(0.002\) - 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: 对 Walker2d 采取过大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 坐标是非零的，以便 Walker2d 可以立即站起来。

эпизод End¶

终止¶

如果 terminate_when_unhealthy 为 True (这是默认值)，当 Walker2d 不健康时，环境将终止。如果发生以下任何一种情况，Walker2d 将被认为是不健康的

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

截断¶

一个 эпизод 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('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`	forward_reward 项的权重（参见 `奖励` 部分）
`ctrl_cost_weight`	float	`1e-3`	ctr_cost 项的权重（参见 `奖励` 部分）
`healthy_reward`	float	`1`	healthy_reward 奖励的权重（参见 `奖励` 部分）
`terminate_when_unhealthy`	bool	`True`	如果为 True，则在不健康时发出 `terminated` 信号（参见 `эпизод 结束` 部分）
`healthy_z_range`	tuple	`(0.8, 2)`	walker 的躯干的 z 坐标必须在此范围内才被认为是健康的（参见 `эпизод 结束` 部分）
`healthy_angle_range`	tuple	`(-1, 1)`	角度必须在此范围内才被认为是健康的（参见 `эпизод 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（参见 `起始状态` 部分）
`exclude_current_positions_from_observation`	bool	`True`	是否从观测中省略 x 坐标。排除位置可以作为一种归纳偏置，以在策略中诱导位置不可知的行为（参见 `观测空间` 部分）

版本历史¶

v5
- 最低 mujoco 版本现在是 2.3.3。
- 增加了对完全自定义/第三方 mujoco 模型使用 xml_file 参数的支持（以前只能对现有模型进行少量更改）。
- 添加了 default_camera_config 参数，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 非常有用。
- 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。
- 在 v2、v3 和 v4 中，模型的两个脚具有不同的摩擦值（左脚摩擦 == 1.9，右脚摩擦 == 0.9）。Walker-v5 模型已更新为两个脚具有相同的摩擦力（设置为 1.9）。这导致 Walker2d 的右脚在表面上的滑动减少，因此需要更大的力才能移动（相关 GitHub issue）。
- 修复错误：healthy_reward 在每个步骤都给出（即使 Walker2D 不健康），现在仅在 Walker2d 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（因此智能体不会跑出屏幕）
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