Walker2D

此環境是 Mujoco 環境的一部分，其中包含關於環境的通用資訊。

動作空間	Box(-1.0, 1.0, (6,), float32)
觀察空間	Box(-inf, inf, (17,), float64)
import	gymnasium.make("Walker2d-v5")

描述

此環境建立在 hopper 環境的基礎上，增加了另一組腿，使機器人能夠向前行走而不是跳躍。 與其他 MuJoCo 環境一樣，此環境旨在增加相較於經典控制環境的獨立狀態和控制變數的數量。 Walker 是一個二維雙足機器人，由七個主要身體部位組成 - 頂部的一個軀幹（在軀幹後分成兩條腿）、軀幹下方中間的兩個大腿、大腿下方的兩條小腿，以及連接到腿部的兩個腳，整個身體都靠在腳上。 目標是通過對連接七個身體部位的六個鉸鏈施加扭矩，朝向前（右）方向行走。

動作空間

動作空間是一個 Box(-1, 1, (6,), float32)。 動作表示施加在鉸鏈關節上的扭矩。

編號	動作	控制最小值	控制最大值	名稱 (在相應的 XML 檔案中)	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	施加在小腿轉子上的扭矩	-1	1	leg_joint	鉸鏈	扭矩 (N m)
2	施加在腳轉子上的扭矩	-1	1	foot_joint	鉸鏈	扭矩 (N m)
3	施加在左大腿轉子上的扭矩	-1	1	thigh_left_joint	鉸鏈	扭矩 (N m)
4	施加在左小腿轉子上的扭矩	-1	1	leg_left_joint	鉸鏈	扭矩 (N m)
5	施加在左腳轉子上的扭矩	-1	1	foot_left_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 8 個元素): 機器人身體部位的位置值。

• qvel (9 個元素): 這些個別身體部位的速度 (它們的導數)。

預設情況下，觀察不包括機器人的 x 座標 (rootx)。 這可以通過在建構期間傳遞 exclude_current_positions_from_observation=False 來包含。 在這種情況下，觀察空間將是一個 Box(-Inf, Inf, (18,), 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 座標都會在 info 中返回，鍵分別為 "x_position" 和 "y_position"。

但是，預設情況下，觀察空間是一個 Box(-Inf, Inf, (17,), 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 檔案中)	關節	類型 (單位)
0	軀幹的 z 座標 (Walker2d 的高度)	-Inf	Inf	rootz	滑動	位置 (m)
1	軀幹的角度	-Inf	Inf	rooty	鉸鏈	角度 (rad)
2	大腿關節的角度	-Inf	Inf	thigh_joint	鉸鏈	角度 (rad)
3	小腿關節的角度	-Inf	Inf	leg_joint	鉸鏈	角度 (rad)
4	腳關節的角度	-Inf	Inf	foot_joint	鉸鏈	角度 (rad)
5	左大腿關節的角度	-Inf	Inf	thigh_left_joint	鉸鏈	角度 (rad)
6	左小腿關節的角度	-Inf	Inf	leg_left_joint	鉸鏈	角度 (rad)
7	左腳關節的角度	-Inf	Inf	foot_left_joint	鉸鏈	角度 (rad)
8	軀幹 x 座標的速度	-Inf	Inf	rootx	滑動	速度 (m/s)
9	軀幹 z 座標 (高度) 的速度	-Inf	Inf	rootz	滑動	速度 (m/s)
10	軀幹角度的角速度	-Inf	Inf	rooty	鉸鏈	角速度 (rad/s)
11	大腿鉸鏈的角速度	-Inf	Inf	thigh_joint	鉸鏈	角速度 (rad/s)
12	小腿鉸鏈的角速度	-Inf	Inf	leg_joint	鉸鏈	角速度 (rad/s)
13	腳鉸鏈的角速度	-Inf	Inf	foot_joint	鉸鏈	角速度 (rad/s)
14	大腿鉸鏈的角速度	-Inf	Inf	thigh_left_joint	鉸鏈	角速度 (rad/s)
15	小腿鉸鏈的角速度	-Inf	Inf	leg_left_joint	鉸鏈	角速度 (rad/s)
16	腳鉸鏈的角速度	-Inf	Inf	foot_left_joint	鉸鏈	角速度 (rad/s)
排除	軀幹的 x 座標	-Inf	Inf	rootx	滑動	位置 (m)

獎勵

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

• healthy_reward: Walker2d 存活的每個時間步，它都會收到一個固定價值的獎勵 healthy_reward (預設為 \(1\))，

• forward_reward: 向前移動的獎勵，如果 Swimmer 向前移動 (在正 \(x\) 方向 / 向右方向)，則此獎勵為正值。 \(w_{forward} \times \frac{dx}{dt}\)，其中 \(dx\) 是 (前)「尖端」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 (預設為 \(4\)) 和 frametime，即 \(0.002\) - 因此預設值為 \(dt = 4 \times 0.002 = 0.008\)， \(w_{forward}\) 是 forward_reward_weight (預設為 \(1\))。

• ctrl_cost: 對於採取過大動作的 Walker2d 的負獎勵。 \(w_{control} \times \|action\|_2^2\)，其中 \(w_{control}\) 是 ctrl_cost_weight (預設為 \(10^{-3}\))。

info 包含個別獎勵條款。

起始狀態

初始位置狀態為 \([0, 1.25, 0, 0, 0, 0, 0, 0, 0] + \mathcal{U}_{[-reset\_noise\_scale \times I_{9}, reset\_noise\_scale \times I_{9}]}\)。 初始速度狀態為 \(\mathcal{U}_{[-reset\_noise\_scale \times I_{9}, reset\_noise\_scale \times I_{9}]}\)。

其中 \(\mathcal{U}\) 是多元均勻連續分佈。

請注意，z 座標是非零的，以便 Walker2d 可以立即站立。

回合結束

終止

如果 terminate_when_unhealthy is True (這是預設值)，當 Walker2d 不健康時，環境會終止。 如果發生以下任何一種情況，Walker2d 就是不健康的

1. 任何狀態空間值不再是有限的

2. 軀幹的 z 座標 (高度) 不在 由 healthy_z_range 參數給定的閉區間內 (預設為 \([0.8, 1.0]\))。

3. 角度的絕對值 (observation[1] 如果 exclude_current_positions_from_observation=False，否則為 observation[2]) 不在 由 healthy_angle_range 參數指定的閉區間內 (預設為 \([-1, 1]\))。

截斷

回合的預設持續時間為 1000 個時間步。

參數

Walker2d 提供一系列參數來修改觀察空間、獎勵函數、初始狀態和終止條件。 這些參數可以在 gymnasium.make 中以以下方式應用

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

參數	類型	預設值	描述
xml_file	str	"walker2d_v5.xml"	MuJoCo 模型的路徑
forward_reward_weight	float	1	forward_reward 項的權重 (參見 獎勵 章節)
ctrl_cost_weight	float	1e-3	ctr_cost 項的權重 (參見 獎勵 章節)
healthy_reward	float	1	healthy_reward 獎勵的權重 (參見 獎勵 章節)
terminate_when_unhealthy	bool	True	如果為 True，則在不健康時發出 terminated 訊號 (參見 回合 結束 章節)
healthy_z_range	tuple	(0.8, 2)	walker 的軀幹的 z 座標必須在此範圍內才被視為健康 (參見 回合 結束 章節)
healthy_angle_range	tuple	(-1, 1)	角度必須在此範圍內才被視為健康 (參見 回合 結束 章節)
reset_noise_scale	float	5e-3	初始位置和速度的隨機擾動的比例 (參見 起始 狀態 章節)
exclude_current_positions_from_observation	bool	True	是否從觀察中省略 x 座標。 排除位置可以作為歸納偏見，以在策略中誘導與位置無關的行為 (參見 觀察 空間 章節)

版本歷史

• v5

  • 最低 mujoco 版本現在是 2.3.3。

  • 添加了對使用 xml_file 參數的完全自訂/第三方 mujoco 模型 (以前只能對現有模型進行一些更改) 的支持。

  • 添加了 default_camera_config 參數，一個用於設定 mj_camera 屬性的字典，主要用於自訂環境。

  • 添加了 env.observation_structure，一個用於指定觀察空間組成的字典 (例如 qpos, qvel)，對於為 MuJoCo 環境建構工具和包裝器很有用。

  • 返回一個非空的 info 與 reset()，以前返回一個空字典，新鍵與 step() 的狀態資訊相同。

  • 添加了 frame_skip 參數，用於配置 dt (step() 的持續時間)，預設值因環境而異，請查看環境文件頁面。

  • 在 v2、v3 和 v4 中，模型的兩個腳具有不同的摩擦值 (左腳摩擦 == 1.9，右腳摩擦 == 0.9)。 Walker-v5 模型已更新為兩個腳具有相同的摩擦力 (設定為 1.9)。 這導致 Walker2d 的右腳在表面上滑動較少，因此需要更大的力才能移動 (相關的 GitHub issue)。

  • 修復錯誤：healthy_reward 在每個步驟都給出 (即使 Walker2D 不健康)，現在僅在 Walker2d 健康時才給出。 info “reward_survive” 已使用此更改更新 (相關的 GitHub issue)。

  • 恢復了 xml_file 參數 (在 v4 中已移除)。

  • 在 info 中添加了個別獎勵條款 (info["reward_forward"], info["reward_ctrl"], info["reward_survive"])。

  • 添加了 info["z_distance_from_origin"]，它等於“軀幹”身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 渲染來自追蹤相機 (因此智能體不會從螢幕上跑掉)

• v2: 所有連續控制環境現在都使用 mujoco-py >= 1.50

• v1: 基於機器人的任務的最大時間步數提高到 1000。 為環境添加了 reward_threshold。

• v0: 初始版本發布