环境

Gymnasium 作为环境接口，
PyBullet作为物理仿真平台，
Stable Baselines3 用于训练算法。

测试框架搭建

以pybullet自带的Cart-pole-v1为例

1. 安装依赖：确保安装了 Gymnasium 和 SB3 ( pip install gymnasium stable-baselines3 ).
2. 初始化环境：使用 gymnasium.make(‘CartPole-v1’) 创建环境 。CartPole 是一个平衡小车杆环
   境，状态包括小车位置、速度、杆角度等，动作是向左或向右施加推力。
3. Agent-环境交互循环：Gymnasium 遵循标准的 RL 循环：agent 观察环境状态，选择一个动作，环境
   执行动作并返回新的观察、奖励以及是否终止的标志 。CartPole 中，每个时间步小车不倒就奖励
   +1，杆倒下或达到步数上限则 episode 结束。
4. 使用 SB3 算法训练：实例化一个 SB3 算法（例如 PPO），并调用 model.learn(total_timesteps) 开
   始训练。

完整实现：

import gymnasium as gym
from stable_baselines3 import PPO
from stable_baselines3.common.vec_env import DummyVecEnv
from stable_baselines3.common.callbacks import EvalCallback
import pybullet as penv_id = "CartPole-v1"
# 创建两个向量化环境（一个训练，一个验证）
env = DummyVecEnv([lambda: gym.make(env_id)])
eval_env = DummyVecEnv([lambda: gym.make(env_id)])# 注册保存回调：每 5000 步自动评估并保存最优模型
eval_callback = EvalCallback(eval_env,best_model_save_path="./logs/best_model",log_path="./logs/eval",eval_freq=5_000,deterministic=True,render=False,
)# 初始化PPO训练模型
model = PPO(policy="MlpPolicy",env=env,learning_rate=3e-4,n_steps=2048,        # 每轮采集步数batch_size=64,gamma=0.99,gae_lambda=0.95,clip_range=0.2,      # PPO 截断 εent_coef=0.01,       # 鼓励探索verbose=1,tensorboard_log="./tensorboard",
)
# 训练
model.learn(total_timesteps=100_000, callback=eval_callback)
# 保存权重
model.save("ppo_cartpole_final")

使用自定义的环境进行训练

为了使用gym的相关配套工具，我们需要按照gym的规范创建自己的环境，大致流程如下：

1. 创建一个符合Gymnasium规范的env类，继承自gym.Env，
   • 在构造函数中实现：
     • p.connect()连接到pybullet，设置物理参数：重力方向、大小、仿真步长
     • 加载地面
     • 加载robot的URDF，并设置初始位置和方向
     • 定义 action_space和observation_space，设置随机种子
   • 至少实现方法observation / reward / reset / step
     • 在 reset() 中启动/重置仿真
     • 在 step() 中实现一步物理推进
     • 根据bullet返回的物理状态，主动计算reward
2. 其他步骤同测试框架搭建，只是将创建环境部分替换为

   from stable_baselines3.common.env_checker import check_env
   env = MyRobotEnv()
   check_env(env) # 将输出环境接口的检查结果
   

reset()方法

主要干这几件事：

1. 设定随机种子
2. 将当前步设置为0
3. 重置仿真
4. 设置重力
5. 导入地面和机器人URDF
6. 初始化关节状态
7. 热身
8. 获取状态并返回出去

step()方法

主要干这几件事：

1. 当前步+=1
2. 逐关节应用action
3. 仿真一步
4. 获取状态信息
5. 计算奖励
6. 判断终止
7. 返回obs, reward, terminated, truncated, info（这五个一个都不能少）