Hopper¶

此環境是 Mujoco 環境的一部分，其中包含有關環境的通用資訊。


動作空間	`Box(-1.0, 1.0, (3,), float32)`
觀察空間	`Box(-inf, inf, (11,), float64)`
import	`gymnasium.make("Hopper-v5")`

描述¶

此環境基於 Erez、Tassa 和 Todorov 在 “Infinite Horizon Model Predictive Control for Nonlinear Periodic Tasks” 中的工作。此環境旨在增加與經典控制環境相比的獨立狀態和控制變數數量。Hopper 是一個二維單腿人物，由四個主要身體部位組成 - 頂部的軀幹、中間的大腿、底部的腿和一個整個身體都倚靠的單腳。目標是通過對連接四個身體部位的三個鉸鏈施加扭矩來做出向前（向右）移動的跳躍。

動作空間¶

動作空間是 Box(-1, 1, (3,), float32)。動作表示在鉸鏈關節處施加的扭矩。

編號	動作	控制最小值	控制最大值	名稱（在相應的 XML 文件中）	關節	類型（單位）
0	施加在大腿轉子上的扭矩	-1	1	thigh_joint	鉸鏈	扭矩 (N m)
1	施加在腿部轉子上的扭矩	-1	1	leg_joint	鉸鏈	扭矩 (N m)
2	施加在腳部轉子上的扭矩	-1	1	foot_joint	鉸鏈	扭矩 (N m)

觀察空間¶

觀察空間由以下部分組成（依序）

qpos（預設為 5 個元素）：機器人身體部位的位置值。
qvel（6 個元素）：這些個別身體部位的速度（其導數）。

預設情況下，觀察不包括機器人的 x 座標 (rootx)。可以通過在建構期間傳遞 exclude_current_positions_from_observation=False 來包含此座標。在這種情況下，觀察空間將是一個 Box(-Inf, Inf, (12,), float64)，其中第一個觀察元素是機器人的 x 座標。無論 exclude_current_positions_from_observation 設定為 True 還是 False，x 和 y 座標都會在 info 中以 "x_position" 和 "y_position" 的鍵值返回。

但是，預設情況下，觀察空間是一個 Box(-Inf, Inf, (11,), float64)，其中的元素如下：

編號	觀察	最小值	最大值	名稱（在相應的 XML 文件中）	關節	類型（單位）
0	軀幹的 z 座標（Hopper 的高度）	-Inf	Inf	rootz	滑動	位置（公尺）
1	軀幹的角度	-Inf	Inf	rooty	鉸鏈	角度（弧度）
2	大腿關節的角度	-Inf	Inf	thigh_joint	鉸鏈	角度（弧度）
3	腿部關節的角度	-Inf	Inf	leg_joint	鉸鏈	角度（弧度）
4	腳部關節的角度	-Inf	Inf	foot_joint	鉸鏈	角度（弧度）
5	軀幹 x 座標的速度	-Inf	Inf	rootx	滑動	速度（公尺/秒）
6	軀幹 z 座標（高度）的速度	-Inf	Inf	rootz	滑動	速度（公尺/秒）
7	軀幹角度的角速度	-Inf	Inf	rooty	鉸鏈	角速度（弧度/秒）
8	大腿鉸鏈的角速度	-Inf	Inf	thigh_joint	鉸鏈	角速度（弧度/秒）
9	腿部鉸鏈的角速度	-Inf	Inf	leg_joint	鉸鏈	角速度（弧度/秒）
10	腳部鉸鏈的角速度	-Inf	Inf	foot_joint	鉸鏈	角速度（弧度/秒）
已排除	軀幹的 x 座標	-Inf	Inf	rootx	滑動	位置（公尺）

獎勵¶

總獎勵為：reward = healthy_reward + forward_reward - ctrl_cost。

healthy_reward：在 Hopper 健康的每個時間步（請參閱「情節結束」部分中的定義），它都會獲得一個固定值 healthy_reward 的獎勵（預設值為 \(1\)）。
forward_reward：向前移動的獎勵，如果 Hopper 向前移動（在正 \(x\) 方向/向右方向），則此獎勵將為正。 \(w_{forward} \times \frac{dx}{dt}\)，其中 \(dx\) 是「軀幹」的位移 (\(x_{after-action} - x_{before-action}\))，\(dt\) 是動作之間的時間，這取決於 frame_skip 參數（預設值為 \(4\)），而 frametime 為 \(0.002\) - 因此預設值為 \(dt = 4 \times 0.002 = 0.008\)，\(w_{forward}\) 是 forward_reward_weight（預設值為 \(1\)）。
ctrl_cost：一個負獎勵，用於懲罰 Hopper 執行過大的動作。 \(w_{control} \times \|action\|_2^2\)，其中 \(w_{control}\) 是 ctrl_cost_weight（預設值為 \(10^{-3}\)）。

info 包含個別的獎勵項。

起始狀態¶

初始位置狀態為 \([0, 1.25, 0, 0, 0, 0] + \mathcal{U}_{[-reset\_noise\_scale \times I_{6}, reset\_noise\_scale \times I_{6}]}\)。初始速度狀態為 \(\mathcal{U}_{[-reset\_noise\_scale \times I_{6}, reset\_noise\_scale \times I_{6}]}\)。

其中 \(\mathcal{U}\) 是多元均勻連續分布。

請注意，z 座標是非零的，因此 Hopper 可以立即站起來。

情節結束¶

終止¶

如果 terminate_when_unhealthy 為 True（預設值），則當 Hopper 不健康時，環境會終止。如果發生以下任何一種情況，Hopper 將會不健康：

如果 exclude_current_positions_from_observation=True，則 observation[1:] 的元素（否則為 observation[2:]）不再包含在 healthy_state_range 參數指定的閉區間中（預設值為 \([-100, 100]\)）。
跳躍器的高度（如果 exclude_current_positions_from_observation=True，則為 observation[0]，否則為 observation[1]）不再包含於 healthy_z_range 參數指定的閉區間內（預設值為 \([0.7, +\infty]\)）（通常表示它已摔倒）。
軀幹的角度（如果 exclude_current_positions_from_observation=True，則為 observation[1]，否則為 observation[2]）不再包含於 healthy_angle_range 參數指定的閉區間內（預設值為 \([-0.2, 0.2]\)）。

截斷¶

一個回合的預設持續時間為 1000 個時間步。

參數¶

Hopper 提供一系列參數來修改觀測空間、獎勵函數、初始狀態和終止條件。這些參數可以在 gymnasium.make 期間以以下方式應用

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

參數	類型	預設值	描述
`xml_file`	str	`"hopper.xml"`	MuJoCo 模型的路徑
`forward_reward_weight`	float	`1`	forward_reward 項的權重（參見 `獎勵` 部分）
`ctrl_cost_weight`	float	`1e-3`	ctrl_cost 獎勵的權重（參見 `獎勵` 部分）
`healthy_reward`	float	`1`	healthy_reward 獎勵的權重（參見 `獎勵` 部分）
`terminate_when_unhealthy`	bool	`True`	如果 `True`，則在不健康時發出 `terminated` 訊號（參見 `回合結束` 部分）
`healthy_state_range`	tuple	`(-100, 100)`	為了讓跳躍器被認為是健康的，`observation[1:]` 的元素（如果 `exclude_current_positions_from_observation=True`，否則為 `observation[2:]`）必須在此範圍內（參見 `回合結束` 部分）
`healthy_z_range`	tuple	`(0.7, float("inf"))`	為了讓跳躍器被認為是健康的，z 坐標必須在此範圍內（參見 `回合結束` 部分）
`healthy_angle_range`	tuple	`(-0.2, 0.2)`	為了讓跳躍器被認為是健康的，`observation[1]` 給定的角度（如果 `exclude_current_positions_from_observation=True`，否則為 `observation[2]`）必須在此範圍內（參見 `回合結束` 部分）
`reset_noise_scale`	float	`5e-3`	初始位置和速度的隨機擾動比例（參見 `起始狀態` 部分）
`exclude_current_positions_from_observation`	bool	`True`	是否從觀測中省略 x 坐標。排除位置可以作為一種歸納偏誤，以在策略中誘導與位置無關的行為（參見 `觀測空間` 部分）

版本歷史¶

v5
- 現在最低 mujoco 版本為 2.3.3。
- 新增了使用 xml_file 參數支援完全自訂/第三方 mujoco 模型（以前只能對現有模型進行一些更改）。
- 新增 default_camera_config 參數，這是一個用於設定 mj_camera 屬性的字典，主要用於自訂環境。
- 新增 env.observation_structure，這是一個用於指定觀測空間組成的字典（例如 qpos、qvel），有助於為 MuJoCo 環境建立工具和包裝器。
- 使用 reset() 回傳非空的 info，先前回傳的是一個空的字典，新的鍵與 step() 的狀態資訊相同。
- 新增 frame_skip 參數，用於設定 dt（step() 的持續時間），預設值因環境而異，請檢查環境文件頁面。
- 修復錯誤：healthy_reward 在每一步都會給予（即使 Hopper 不健康），現在它僅在 Hopper 健康時給予。 info["reward_survive"] 會隨此更改而更新（相關的 GitHub 問題）。
- 恢復 xml_file 參數（已在 v4 中移除）。
- 在 info 中新增個別的獎勵項（info["reward_forward"]、info["reward_ctrl"]、info["reward_survive"]）。
- 新增 info["z_distance_from_origin"]，它等於「軀幹」主體與其初始位置的垂直距離。
v4：所有 MuJoCo 環境現在都使用 mujoco >= 2.1.3 中的 MuJoCo 綁定。
v3：支援 gymnasium.make kwargs，例如 xml_file、ctrl_cost_weight、reset_noise_scale 等。 rgb 渲染來自追蹤攝影機（因此代理不會從螢幕跑掉）
v2：所有連續控制環境現在都使用 mujoco-py >= 1.50。
v1：機器人相關任務的最大時間步數增加到 1000。為環境新增了 reward_threshold。
v0：初始版本發佈。