Acrobot 双连杆#

Acrobot 是一个双连杆摆动和平衡任务。目标是使用一个电机扭矩摆动双臂并到达目标位置。

任务描述#

双连杆 Acrobot 由一个铰链关节驱动，该关节由单个电机控制。电机安装在肘关节处，这是系统中唯一的驱动关节。电机的扭矩使连杆在平面内旋转，实现从任意初始角度摆起并到达目标位置。扭矩受限于执行器的 ctrlrange；通过调节其大小和方向，策略必须积累能量以摆起并到达目标，同时保持稳定性。

动作空间#

项目

详情

类型

Box(-1.0, 1.0, (1,), float32)

维度

1

观察空间#

项目

详情

类型

Box(-inf, inf, (6,), float32)

维度

6

顺序：upper_arm_horizontal, lower_arm_horizontal, upper_arm_vertical, lower_arm_vertical, shoulder_velocity, elbow_velocity。

奖励函数设计#

  • 基础稀疏奖励：鼓励末端进入目标区域（半径 = 0.2）

  • 持续奖励：在目标区域内每步提供 0.1 的奖励

  • 距离奖励：0.3 * (1.0 - clip(distance / 2.0, 0, 1.0)) 鼓励向目标移动

  • 速度惩罚：0.01 * max(0, velocity_magnitude - 2.0) 惩罚过高的速度

初始状态#

  • 肩关节角度随机于 [-pi, pi]

  • 肘关节角度随机于 [-pi, pi]

  • 角速度初始化为零

Episode 终止条件#

  • Episode 长度由 max_episode_seconds 限制

  • 对观察值进行 NaN 检查

1. 环境预览#

uv run scripts/view.py --env acrobot

2. 开始训练#

# 使用默认参数训练
uv run scripts/train.py --env acrobot

# 自定义并行环境数
uv run scripts/train.py --env acrobot --num-envs 1024

# 开启训练时渲染
uv run scripts/train.py --env acrobot --render

3. 查看训练进度#

uv run tensorboard --logdir runs/acrobot

4. 测试训练结果#

# 自动发现最佳策略（推荐）
uv run scripts/play.py --env acrobot

# 手动指定策略文件
uv run scripts/play.py --env acrobot --policy runs/acrobot/nn/best_policy.pickle

提示：策略会从 runs/acrobot/ 中自动选择。你可以使用 --policy 参数覆盖。

配置参数#

环境配置#

@dataclass
class AcrobotEnvCfg(EnvCfg):
    model_file: str = ".../acrobot.xml"  # MJCF 模型
    max_episode_seconds: float = 10.0
    sim_dt: float = 0.01
    ctrl_dt: float = 0.02
    reset_noise_scale: float = 0.1
    render_spacing: float = 2.0

训练配置（PPO 示例）#

@rlcfg("acrobot", backend="jax")
@dataclass
class AcrobotPPO(PPOCfg):
    max_env_steps: int = 60_000_000
    check_point_interval: int = 500

    # 覆盖 PPO 配置
    policy_hidden_layer_sizes: tuple[int, ...] = (32, 32)
    value_hidden_layer_sizes: tuple[int, ...] = (32, 32)
    rollouts: int = 64
    learning_epochs: int = 5
    mini_batches: int = 8
    learning_rate: float = 3e-4
    grad_norm_clip: float = 0.1
    clip_predicted_values: bool = False
    value_clip: float = 10.0
    entropy_loss_scale: float = 0.1
    learning_rate_scheduler_kl_threshold: float = 0.02
    discount_factor: float = 0.995
    lambda_param: float = 0.97
    ratio_clip: float = 0.2
    value_loss_scale: float = 0.5
    random_timesteps: int = 0
    learning_starts: int = 0
    kl_threshold: float = 0.03

预期训练结果#

  1. Acrobot 能够摆动双臂到达目标位置

  2. 末端能够稳定地停留在目标区域内

  3. 过高的震荡通过速度惩罚得到减少

  4. 策略能够以平滑的动作高效地接近目标