Ant¶

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, (8,), float32)`
观测空间	`Box(-inf, inf, (105,), float64)`
import	`gymnasium.make("Ant-v5")`

描述¶

此环境基于 Schulman, Moritz, Levine, Jordan 和 Abbeel 在 “High-Dimensional Continuous Control Using Generalized Advantage Estimation” 中介绍的环境。蚂蚁是一个 3D 四足机器人，由一个躯干（自由旋转体）和连接在其上的四条腿组成，每条腿有两个身体部件。目标是通过对连接每条腿的两个身体部件和躯干（九个身体部件和八个铰链）的八个铰链施加扭矩，来协调四条腿朝前（右）方向移动。

注意：虽然机器人被称为“蚂蚁”，但实际上它高 75 厘米，重 910.88 克，其中躯干重 327.25 克，每条腿重 145.91 克。

动作空间¶

动作空间是 Box(-1, 1, (8,), float32)。一个动作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	施加在躯干和后右髋部之间的转子上的扭矩	-1	1	hip_4 (right_back_leg)	铰链	扭矩 (N m)
1	施加在后右两条连杆之间的转子上的扭矩	-1	1	angle_4 (right_back_leg)	铰链	扭矩 (N m)
2	施加在躯干和前左髋部之间的转子上的扭矩	-1	1	hip_1 (front_left_leg)	铰链	扭矩 (N m)
3	施加在前左两条连杆之间的转子上的扭矩	-1	1	angle_1 (front_left_leg)	铰链	扭矩 (N m)
4	施加在躯干和前右髋部之间的转子上的扭矩	-1	1	hip_2 (front_right_leg)	铰链	扭矩 (N m)
5	施加在前右两条连杆之间的转子上的扭矩	-1	1	angle_2 (front_right_leg)	铰链	扭矩 (N m)
6	施加在躯干和后左髋部之间的转子上的扭矩	-1	1	hip_3 (back_leg)	铰链	扭矩 (N m)
7	施加在后左两条连杆之间的转子上的扭矩	-1	1	angle_3 (back_leg)	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 13 个元素）： 机器人身体部位的位置值。
qvel（14 个元素）： 这些单独身体部位的速度（它们的导数）。
cfrc_ext（78 个元素）： 这是基于质心的身体部位上的外力。它具有形状 13 * 6 (nbody * 6)，因此为状态空间添加了另外 78 个元素。（外力 - 力 x、y、z 和扭矩 x、y、z）

默认情况下，观测不包括躯干的 x 和 y 坐标。可以通过在构造期间传递 exclude_current_positions_from_observation=False 来包含这些坐标。在这种情况下，观测空间将是 Box(-Inf, Inf, (107,), float64)，其中前两个观测是躯干的 x 和 y 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"。

但是，默认情况下，观测空间是 Box(-Inf, Inf, (105,), float64)，其中位置和速度元素如下

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（中心）的 z 坐标	-Inf	Inf	root	free	位置 (m)
1	躯干（中心）的 w 方向	-Inf	Inf	root	free	角度 (rad)
2	躯干（中心）的 x 方向	-Inf	Inf	root	free	角度 (rad)
3	躯干（中心）的 y 方向	-Inf	Inf	root	free	角度 (rad)
4	躯干（中心）的 z 方向	-Inf	Inf	root	free	角度 (rad)
5	躯干与前左侧第一个连杆之间的角度	-Inf	Inf	hip_1 (front_left_leg)	铰链	角度 (rad)
6	前左侧两个连杆之间的角度	-Inf	Inf	ankle_1 (front_left_leg)	铰链	角度 (rad)
7	躯干与前右侧第一个连杆之间的角度	-Inf	Inf	hip_2 (front_right_leg)	铰链	角度 (rad)
8	前右侧两个连杆之间的角度	-Inf	Inf	ankle_2 (front_right_leg)	铰链	角度 (rad)
9	躯干与后左侧第一个连杆之间的角度	-Inf	Inf	hip_3 (back_leg)	铰链	角度 (rad)
10	后左侧两个连杆之间的角度	-Inf	Inf	ankle_3 (back_leg)	铰链	角度 (rad)
11	躯干与后右侧第一个连杆之间的角度	-Inf	Inf	hip_4 (right_back_leg)	铰链	角度 (rad)
12	后右侧两个连杆之间的角度	-Inf	Inf	ankle_4 (right_back_leg)	铰链	角度 (rad)
13	躯干的 x 坐标速度	-Inf	Inf	root	free	速度 (m/s)
14	躯干的 y 坐标速度	-Inf	Inf	root	free	速度 (m/s)
15	躯干的 z 坐标速度	-Inf	Inf	root	free	速度 (m/s)
16	躯干的 x 坐标角速度	-Inf	Inf	root	free	角速度 (rad/s)
17	躯干的 y 坐标角速度	-Inf	Inf	root	free	角速度 (rad/s)
18	躯干的 z 坐标角速度	-Inf	Inf	root	free	角速度 (rad/s)
19	躯干和前左连杆之间角度的角速度	-Inf	Inf	hip_1 (front_left_leg)	铰链	角度 (rad)
20	前左连杆之间角度的角速度	-Inf	Inf	ankle_1 (front_left_leg)	铰链	角度 (rad)
21	躯干和前右连杆之间角度的角速度	-Inf	Inf	hip_2 (front_right_leg)	铰链	角度 (rad)
22	前右连杆之间角度的角速度	-Inf	Inf	ankle_2 (front_right_leg)	铰链	角度 (rad)
23	躯干和后左连杆之间角度的角速度	-Inf	Inf	hip_3 (back_leg)	铰链	角度 (rad)
24	后左连杆之间角度的角速度	-Inf	Inf	ankle_3 (back_leg)	铰链	角度 (rad)
25	躯干和后右连杆之间角度的角速度	-Inf	Inf	hip_4 (right_back_leg)	铰链	角度 (rad)
26	后右连杆之间角度的角速度	-Inf	Inf	ankle_4 (right_back_leg)	铰链	角度 (rad)
已排除	躯干（中心）的 x 坐标	-Inf	Inf	root	free	位置 (m)
已排除	躯干（中心）的 y 坐标	-Inf	Inf	root	free	位置 (m)

身体部位是

身体部位	id (对于 `v2`, `v3`, `v4)`	id (对于 `v5`)
worldbody（注意：所有值均为常数 0）	0	已排除
躯干	1	0
front_left_leg	2	1
aux_1 (前左腿)	3	2
ankle_1 (前左腿)	4	3
front_right_leg	5	4
aux_2 (前右腿)	6	5
ankle_2 (前右腿)	7	6
back_leg (后左腿)	8	7
aux_3 (后左腿)	9	8
ankle_3 (后左腿)	10	9
right_back_leg	11	10
aux_4 (后右腿)	12	11
ankle_4 (后右腿)	13	12

(x,y,z) 坐标是平移自由度，而方向是表示为四元数的旋转自由度。可以在 MuJoCo 文档中阅读更多关于自由关节的信息。

注意： 当使用 Ant-v3 或更早版本时，据报告使用 mujoco-py 版本 > 2.0 时会出现问题，导致接触力始终为 0。因此，建议在使用 Ant 环境时使用 mujoco-py 版本 < 2.0，如果您想报告包含接触力的结果（如果您的实验中不使用接触力，则可以使用版本 > 2.0）。

奖励¶

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

healthy_reward：蚂蚁健康的每个时间步（参见“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，如果蚂蚁向前移动（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 main_body 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 \(5\)）和 frametime，即 \(0.01\) - 因此默认值为 \(dt = 5 \times 0.01 = 0.05\)，\(w_{forward}\) 是 forward_reward_weight（默认为 \(1\)）。
ctrl_cost：惩罚蚂蚁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 \(0.5\)）。
contact_cost：如果外部接触力太大，则惩罚蚂蚁的负奖励。\(w_{contact} \times \|F_{contact}\|_2^2\)，其中 \(w_{contact}\) 是 contact_cost_weight（默认为 \(5\times10^{-4}\)），\(F_{contact}\) 是被 contact_force_range 裁剪的外部接触力（参见观测空间上的 cfrc_ext 部分）。

info 包含各个奖励项。

但是，如果在 v4 上 use_contact_forces=False，则返回的总奖励为 reward = healthy_reward + forward_reward - ctrl_cost。

起始状态¶

初始位置状态为 \([0.0, 0.0, 0.75, 1.0, 0.0, ... 0.0] + \mathcal{U}_{[-reset\_noise\_scale \times I_{15}, reset\_noise\_scale \times I_{15}]}\)。初始速度状态为 \(\mathcal{N}(0_{14}, reset\_noise\_scale^2 \times I_{14})\)。

其中 \(\mathcal{N}\) 是多元正态分布，\(\mathcal{U}\) 是多元均匀连续分布。

请注意，z 和 x 坐标为非零值，以便蚂蚁可以立即站起来并面向前方（x 轴）。

情节结束¶

终止¶

如果 terminate_when_unhealthy 为 True（默认值），则当蚂蚁不健康时，环境将终止。如果发生以下任何情况，则蚂蚁是不健康的

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 参数给出的闭区间内（默认为 \([0.2, 1.0]\)）。

截断¶

一个情节的默认持续时间为 1000 个时间步。

参数¶

Ant 提供了许多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 期间以以下方式应用

import gymnasium as gym
env = gym.make('Ant-v5', ctrl_cost_weight=0.5, ...)

参数	类型	默认值	描述
`xml_file`	str	`"ant.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	`0.5`	ctrl_cost 项的权重（参见 `奖励` 部分）
`contact_cost_weight`	float	`5e-4`	contact_cost 项的权重（参见 `奖励` 部分）
`healthy_reward`	float	`1`	healthy_reward 项的权重（参见 `奖励` 部分）
`main_body`	str\|int	`1`(“torso”)	身体的名称或 ID，其位移用于计算 dx/forward_reward（对于自定义 MuJoCo 模型很有用）（参见 `奖励` 部分）
`terminate_when_unhealthy`	bool	`True`	如果 `True`，则在不健康时发出 `terminated` 信号（参见 `情节结束` 部分）
`healthy_z_range`	tuple	`(0.2, 1)`	如果躯干的 z 坐标在此范围内，则认为蚂蚁是健康的（参见 `情节结束` 部分）
`contact_force_range`	tuple	`(-1, 1)`	接触力在 contact_cost 的计算中被裁剪到此范围（参见 `奖励` 部分）
`reset_noise_scale`	float	`0.1`	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 和 y 坐标。排除位置可以作为一种归纳偏置，以诱导策略中与位置无关的行为（参见 `观测状态` 部分）
`include_cfrc_ext_in_observation`	bool	`True`	是否在观测中包含 cfrc_ext 元素（参见 `观测状态` 部分）
`use_contact_forces` (`v4` 仅限)	bool	`False`	如果 `True`，它通过添加接触力来扩展观测空间（参见 `观测空间` 部分），并在奖励函数中包含 contact_cost（参见 `奖励` 部分）

版本历史¶

v5
- 最低 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（以前只能对现有模型进行少量更改）的支持。
- 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），对于为 MuJoCo 环境构建工具和 wrappers 很有用。
- 返回非空的 info 和 reset()，以前返回的是空字典，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），默认值因环境文档页面而异。
- 修复错误：healthy_reward 在每个步骤都给出（即使蚂蚁不健康），现在仅在蚂蚁健康时给出。info["reward_survive"] 会随着此更改而更新（相关 GitHub issue）。
- 奖励函数现在始终包含 contact_cost，之前仅在 use_contact_forces=True 时包含（可以使用 contact_cost_weight=0 设置为 0）。
- 从观测空间中排除了 worldbody 的 cfrc_ext，因为它始终为 0，因此没有为智能体提供有用的信息，从而略微加快了训练速度（相关 GitHub issue）。
- 添加了 main_body 参数，该参数指定用于计算向前奖励的身体（主要用于自定义 MuJoCo 模型）。
- 添加了 forward_reward_weight 参数，该参数默认为 1（实际上与 v4 中的行为相同）。
- 添加了 include_cfrc_ext_in_observation 参数，之前在 v4 中，cfrc_ext 观测的包含由 use_contact_forces 控制，后者默认为 False，而 include_cfrc_ext_in_observation 默认为 True。
- 删除了 use_contact_forces 参数（注意：其功能已被 include_cfrc_ext_in_observation 和 contact_cost_weight 取代）（相关 GitHub issue）。
- 修复了 info["reward_ctrl"] 有时包含 contact_cost 而不是 ctrl_cost 的问题。
- 修复了 info["x_position"] & info["y_position"] & info["distance_from_origin"] 给出 xpos 而不是 qpos 观测值（xpos 观测值落后 1 个 mj_step() here）（相关 GitHub issue #1 & GitHub issue #2）。
- 删除了 info["forward_reward"]，因为它等同于 info["reward_forward"]。
v4：所有 MuJoCo 环境现在都使用 mujoco >= 2.1.3 中的 MuJoCo 绑定，并且还从默认观测空间中删除了接触力（新变量 use_contact_forces=True 可以恢复它们）。
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：对于基于机器人的任务，max_time_steps 提高到 1000。为环境添加了 reward_threshold。
v0：初始版本发布