連續山地車

此環境屬於經典控制環境的一部分，其中包含有關環境的一般資訊。

動作空間	Box(-1.0, 1.0, (1,), float32)
觀測空間	Box([-1.2 -0.07], [0.6 0.07], (2,), float32)
匯入	gymnasium.make("MountainCarContinuous-v0")

描述

山地車 MDP 是一個確定性 MDP，其中一輛汽車隨機放置在正弦波谷的底部，唯一可能的動作是沿任一方向施加到汽車上的加速度。MDP 的目標是策略性地加速汽車，使其到達右側山頂上的目標狀態。Gymnasium 中山地車領域有兩個版本：一個具有離散動作，另一個具有連續動作。此版本是具有連續動作的版本。

此 MDP 最初出現在 Andrew Moore 的博士論文 (1990) 中

@TECHREPORT{Moore90efficientmemory-based,
    author = {Andrew William Moore},
    title = {Efficient Memory-based Learning for Robot Control},
    institution = {University of Cambridge},
    year = {1990}
}

觀測空間

觀測值是一個形狀為 (2,) 的 ndarray，其中元素對應如下

編號	觀測	最小值	最大值	單位
0	汽車沿 x 軸的位置	-1.2	0.6	位置 (米)
1	汽車的速度	-0.07	0.07	速度 (v)

動作空間

動作是一個形狀為 (1,) 的 ndarray，表示施加在汽車上的方向力。動作被截斷在 [-1,1] 範圍內，並乘以 0.0015 的功率。

轉移動力學：

給定一個動作，山地車遵循以下轉移動力學

速度_t+1 = 速度_t + 力 * self.power - 0.0025 * cos(3 * 位置_t)

位置_t+1 = 位置_t + 速度_t+1

其中力是截斷在 [-1,1] 範圍內的動作，功率是常數 0.0015。兩端的碰撞是非彈性的，與牆壁碰撞後速度設為 0。位置被截斷在 [-1.2, 0.6] 範圍內，速度被截斷在 [-0.07, 0.07] 範圍內。

獎勵

每個時間步都會收到一個 -0.1 * 動作² 的負獎勵，以懲罰採取大幅度動作。如果山地車到達目標，則該時間步的負獎勵會增加 +100 的正獎勵。

初始狀態

汽車的位置被賦予 [-0.6 , -0.4] 範圍內的一個均勻隨機值。汽車的初始速度始終設為 0。

劇集結束

如果發生以下任一情況，劇集結束

1. 終止：汽車的位置大於或等於 0.45（右側山頂上的目標位置）

2. 截斷：劇集長度為 999。

引數

連續山地車有兩個 gymnasium.make 引數：render_mode 和 goal_velocity。在重置時，options 引數允許使用者更改用於確定新隨機狀態的邊界。

>>> import gymnasium as gym
>>> env = gym.make("MountainCarContinuous-v0", render_mode="rgb_array", goal_velocity=0.1)  # default goal_velocity=0
>>> env
<TimeLimit<OrderEnforcing<PassiveEnvChecker<Continuous_MountainCarEnv<MountainCarContinuous-v0>>>>>
>>> env.reset(seed=123, options={"low": -0.7, "high": -0.5})  # default low=-0.6, high=-0.4
(array([-0.5635296,  0.       ], dtype=float32), {})

版本歷史

• v0：初始版本釋出