Open-AI Gym Hopper 观察、行动、奖励

如何解决Open-AI Gym Hopper 观察、行动、奖励

有人可以向我解释 Hopper 环境的奖励系统是如何工作的，以及观察和动作的名称以及它们所描述的内容。如果您能分享一些文档或维基，我们将不胜感激，因为我还没有找到可以帮助我的详细信息。

有用的链接：

https://gym.openai.com/

https://github.com/openai/gym/blob/master/gym/envs/mujoco/hopper.py#L25 https://github.com/openai/gym/blob/master/gym/envs/mujoco/assets/hopper.xml#L35

这是 Mujoco/Open-AI Gym Hopper 环境代码。

import numpy as np
from gym import utils
from gym.envs.mujoco import mujoco_env

class HopperEnv(mujoco_env.MujocoEnv,utils.EzPickle):
    def __init__(self):
        mujoco_env.MujocoEnv.__init__(self,'hopper.xml',4)
        utils.EzPickle.__init__(self)

    def step(self,a):
        posbefore = self.sim.data.qpos[0]
        self.do_simulation(a,self.frame_skip)
        posafter,height,ang = self.sim.data.qpos[0:3]
        alive_bonus = 1.0
        reward = (posafter - posbefore) / self.dt
        reward += alive_bonus
        reward -= 1e-3 * np.square(a).sum()
        s = self.state_vector()
        done = not (np.isfinite(s).all() and (np.abs(s[2:]) < 100).all() and
                    (height > .7) and (abs(ang) < .2))
        ob = self._get_obs()
        return ob,reward,done,{}

    def _get_obs(self):
        return np.concatenate([
            self.sim.data.qpos.flat[1:],np.clip(self.sim.data.qvel.flat,-10,10)
        ])

    def reset_model(self):
        qpos = self.init_qpos + self.np_random.uniform(low=-.005,high=.005,size=self.model.nq)
        qvel = self.init_qvel + self.np_random.uniform(low=-.005,size=self.model.nv)
        self.set_state(qpos,qvel)
        return self._get_obs()

    def viewer_setup(self):
        self.viewer.cam.trackbodyid = 2
        self.viewer.cam.distance = self.model.stat.extent * 0.75
        self.viewer.cam.lookat[2] = 1.15
        self.viewer.cam.elevation = -20

我知道有 11 个观察和 3 个动作。我知道如果漏斗还活着，它会获得+1。此外，每次使用 step 函数时，我相信 3 个动作的平方和乘以 0.001，所有这些都会减去奖励变量？通常，阶跃函数使用 1000 次（1000 个时间步）。

我的猜测是观察结果与 q pos(x,y,z) 和 q vel 有关。所以他们可能在描述位置和速度，我知道 Hopper 机器人有 3 个关节。