强化学习框架stable-baselines3简单案例

强化学习框架stable-baselines3简单案例

引用

CSDN

1.

https://blog.csdn.net/weixin_37522117/article/details/144091015

本文将介绍如何使用Stable-Baselines3库实现基于Proximal Policy Optimization (PPO)算法的强化学习案例。通过这个案例，读者可以了解如何使用PPO算法训练Ant机器人在环境中行走，并避免翻倒。

Stable-Baselines3 (SB3) 是一个基于 PyTorch 的库，提供了可靠的强化学习算法实现。它拥有简洁易用的接口，让用户能够直接使用现成的、最先进的无模型强化学习算法。

以下是一个基于强化学习和 Gym 中 mujoco 的 Ant 环境的案例，使用了 Proximal Policy Optimization (PPO) 算法，这是一个适用于连续状态和动作空间的强化学习算法。

环境准备

安装依赖
确保安装以下库：

pip install gym[mujoco] stable-baselines3 shimmy  

• gym[mujoco] : 提供 MuJoCo 环境支持。
• stable-baselines3 : 包含多种强化学习算法的库，包括 PPO。
• shimmy : stable-baselines3需要用到shimmy。

完整代码

实现 PPO 与 Ant 环境交互

import gym
from stable_baselines3 import PPO
import imageio
# 创建 Ant 环境l
env = gym.make("Ant-v4")
# 使用 Stable-Baselines3 的 PPO 算法
model = PPO(
    "MlpPolicy",  # 多层感知机作为策略网络
    env,
    verbose=1,
    learning_rate=0.0003,
    n_steps=2048,
    batch_size=64,
    n_epochs=10,
    gamma=0.99,
    gae_lambda=0.95,
)
# 训练模型, total_timesteps自行调整
model.learn(total_timesteps=100000)
# 保存模型
model.save("ppo_ant")
# 加载模型
model = PPO.load("ppo_ant")
# 创建测试环境
env = gym.make("Ant-v4", render_mode="rgb_array")
# 存储每帧图像
frames = []
# 测试模型
obs, info = env.reset()
for _ in range(1000):
    env.render()
    frames.append(env.render())  # 捕获帧
    action, _ = model.predict(obs)
    next_state, reward, terminated, truncated, info = env.step(action)
    if terminated or truncated:
        obs, info = env.reset()
env.close()
# 保存为视频
imageio.mimsave("./ppo_ant_video.mp4", frames, fps=30)
  

代码解析

1. 创建 Ant 环境

• 使用 gym.make("Ant-v4") 创建 Ant 环境。

2. 使用 PPO 算法

• 策略网络：使用 MlpPolicy（多层感知机策略）。
• 超参数设置：
• learning_rate：学习率，控制更新步长。
• n_steps：每次更新前的时间步数。
• batch_size：训练时的批量大小。
• n_epochs：每次更新的训练轮数。
• gamma：折扣因子，权衡短期与长期奖励。
• gae_lambda：广义优势估计（GAE）的参数，用于稳定学习。

3. 训练模型

• 使用 model.learn() 函数训练模型。

4. 测试模型

• 使用 model.predict(obs) 获得动作决策。
• 在环境中运行训练好的策略，通过渲染观察蚂蚁机器人的运动行为。

运行结果如下
若训练轮次较少，蚂蚁会翻倒
ppo训练轮数较少的情况
训练100000轮后，蚂蚁不再会翻倒
ppo训练轮数较多的情况

关键点与挑战

1. 动作控制：

• 机器人通过连续动作控制腿部关节，需要策略学习如何协调运动。
• 强化学习算法需要在高维动作空间中找到最优策略。

2. 奖励函数设计：

• 环境自带的奖励函数主要基于蚂蚁的前进速度和能量效率。
• 奖励设计需平衡速度、稳定性和能量消耗。

3. 计算复杂度：

• 高维状态和动作空间会增加学习的难度，需要更长时间训练。

扩展方向

1. 改进奖励函数：

• 自定义奖励函数，例如鼓励更多的能量效率或更复杂的步态。

2. 多任务学习：

• 在 Ant 环境中添加不同目标，例如绕过障碍或追踪目标点。

3. 模型性能对比：

• 试验其他强化学习算法（如 DDPG、SAC、TD3），对比训练速度与性能。

4. 迁移学习：

• 将训练好的蚂蚁策略应用于其他机器人环境，测试泛化能力。

总结

经过训练，蚂蚁机器人能够学会如何行走并避免翻倒。最终表现取决于训练时间和算法参数设置。渲染结果可以显示蚂蚁运动的动画效果。