DI-engine强化学习入门（九）环境包裹器（Env Wrapper）

news2024/12/25 23:43:23

在强化学习中，环境（Environment）是智能体（Agent）进行学习和互动的场所，它定义了状态空间、动作空间以及奖励机制。Env Wrapper（环境包装器）提供了一种方便的机制来增强或修改原始环境的功能，而不需要改变环境本身的代码。

Env Wrapper主要有以下的几个特性
1.预处理和归一化：

为了提高学习效率和稳定性，很多时候需要对环境的状态进行预处理，例如归一化处理，使得所有的输入特征都处在同一量级上，以便于智能体更好地学习。
Env Wrapper可以在不修改原始环境代码的情况下，添加这些预处理步骤。

2.奖励形状改变（Reward Shaping）：

有时原始环境的奖励信号太稀疏或不利于学习，Env Wrapper可以用来修改奖励信号，使之更加符合特定学习任务的需求。

3.动作和状态空间修改：

如果需要对动作空间进行离散化或者对状态空间进行降维，Env Wrapper允许用户实现这样的变换。
这对于将复杂环境简化以适应低容量智能体或算法尤其有用。

4.实验一致性和复现性：

当研究者想要分享他们的实验设置或与其他研究者进行比较时，使用Env Wrapper可以确保所有人都在相同的环境变种上进行实验。

5.代码的模块化和复用：

通过Env Wrappers，可以创建可复用的模块，对不同的环境应用相同的处理逻辑。
这样可以避免代码冗余，提高开发效率。

6.易于维护和扩展：

当需要更新环境处理逻辑时，只需修改对应的Env Wrapper，而不需要重新触碰环境本身的实现。

例如，若要为一个环境添加噪声处理或者状态的标准化处理，可以创建一个Env Wrapper来实现这些功能。这样，当需要在不同的环境中实施同样的噪声或标准化处理时，只需要将环境

通过这个Env Wrapper传递即可，而不需要为每个环境单独编写处理代码。

DI-engine 提供了大量已经定义好的、通用的 Env Wrapper
DI-engine 继承和扩展了 OpenAI Gym 的设计，提供了一系列通用的 Env Wrapper，以便用户可以轻松地根据自己的需求来修改环境。以下是这些 Env Wrapper 的简介：

1.NoopResetEnv：

在环境启动时随机执行一定数量的无操作（no-op）步骤，然后再重置环境。这有助于提供更多样化的初始状态。

2.MaxAndSkipEnv：

在连续的几个帧中执行相同的动作，并从中选取两个连续帧的最大值作为代表，这样做可以减少环境内的非必要变化，有助于稳定训练。

3.WarpFrame：

将输入的图像帧缩放到固定的大小（例如 84x84）并转换为灰度图像，这是许多深度强化学习工作中的常见做法。

4.ScaledFloatFrame：

将图像帧的像素值从整数转换为浮点数，并将其标准化到 0 到 1 的范围内。

5.ClipRewardEnv：

将奖励剪裁为 -1, 0, 或 +1，根据奖励的正负性。这样做有利于限制梯度更新的规模，有时能够增加训练的稳定性。

6.FrameStack：

将连续的几个帧堆叠在一起作为网络的输入，以提供给智能体关于动作的时间连续性信息。

7.ObsTransposeWrapper：

重新排列观测数组的维度，这在处理图像输入时特别有用，如将图像数据从 HxWxC 调整为 CxHxW。

8.RunningMeanStd：

计算和更新环境观测值的均值和标准差，通常用于环境状态的归一化处理。

9.ObsNormEnv：

使用实时更新的均值和标准差归一化观测值，以保持输入值的分布稳定。

10.RewardNormEnv：

使用实时更新的均值和标准差归一化奖励值，帮助稳定训练过程。

11.RamWrapper：

将环境的 RAM 状态转换为类似图像的格式，这对于处理非图像的原始状态表示特别有用。

12.EpisodicLifeEnv：

当智能体“死亡”时，即使游戏没有真正结束，也会结束当前的 episode。这可以让智能体更快地学习有关失败的信息。

13.FireResetEnv：

在某些游戏中，环境重置后需要执行一个 “fire” 动作来开始游戏。这个 Wrapper 自动处理这个动作。

二、如何使用 Env Wrapper
下一个问题是我们如何给环境包裹上 Env Wrapper。最简单的一种方法就是手动地显式对环境进行包裹：

from ding.envs.env_wrappers.env_wrappers import NoopResetWrapperenv = gym.make(env_id)  # 'PongNoFrameskip-v4'env = NoopResetWrapper(env, noop_max = 30)env = MaxAndSkipWrapper(env, skip = 4)

我们也可以尝试在gym中使用FrameStack环境包裹器

import gymfrom gym.wrappers import FrameStack# 创建并包裹环境env_id = 'CartPole-v1'env = gym.make(env_id)env = FrameStack(env, num_stack=4)# 使用包裹后的环境运行一些episodefor episode in range(2):    obs = env.reset()    done = False    step = 0    while not done:        action = env.action_space.sample()  # 随机选择动作        obs, reward, done, info = env.step(action)        print(f"Episode: {episode}, Step: {step}, Observation Shape: {obs.shape}, Reward: {reward}, Done: {done}")        step += 1    print(f"Episode {episode} finished after {step} steps.")# 关闭环境env.close()