gym-ignition

<p align="center"> <h1 align="center">gym-ignition</h1> </p> <div align="center"> <table> <tbody> <tr> <td align="center"> <a href="https://github.com/robotology/gym-ignition/actions"> <img src="https://yellow-cdn.veclightyear.com/35dd4d3f/c5634b07-e8bc-43b3-b804-259551d2ff9e.svg" alt="CICD" /> </a> <a href="https://github.com/robotology/gym-ignition/actions"> <img src="https://yellow-cdn.veclightyear.com/35dd4d3f/f2402458-9efc-456d-8bb3-b721b467d7b6.svg" alt="Docker Images" /> </a> <a href="https://www.codacy.com/gh/robotology/gym-ignition/dashboard?utm_source=github.com&utm_medium=referral&utm_content=robotology/gym-ignition&utm_campaign=Badge_Grade"> <img src="https://yellow-cdn.veclightyear.com/35dd4d3f/2551ca88-b3bd-4079-bd63-c9f4fe09fa78.png" alt="Codacy Badge" /> </a> </td> </tr> <tr> <td align="center"> <a href="https://pypi.org/project/gym-ignition/"> <img src="https://yellow-cdn.veclightyear.com/35dd4d3f/62866621-a156-46ba-a282-f370999d3884.svg" /> </a> <a href="https://pypi.org/project/gym-ignition/"> <img src="https://yellow-cdn.veclightyear.com/35dd4d3f/eb25c138-8279-489b-bf18-b6fbec7bf410.svg" /> </a> <a href="https://pypi.org/project/gym-ignition/"> <img src="https://yellow-cdn.veclightyear.com/35dd4d3f/8c277829-dc34-42ea-97ce-49ffacf4e01b.svg" /> </a> <a href="https://pypi.org/project/gym-ignition/"> <img src="https://yellow-cdn.veclightyear.com/35dd4d3f/b0c360c5-ec4f-4226-8993-6c0d747d82ed.svg" /> </a> <a href="https://pypi.org/project/gym-ignition/"> <img src="https://yellow-cdn.veclightyear.com/35dd4d3f/6766a664-1289-4ebd-b1b7-5d690aa35e71.svg" /> </a> </td> </tr> </tbody> </table> </div>

⚠️ 警告 ⚠️

该项目已不再积极维护，开发已停止。有关当前状态和恢复开发的可操作步骤的详细说明，请参阅 robotology/gym-ignition#430.

描述

gym-ignition 是一个框架，用于创建可重复的机器人环境以进行强化学习研究。

它基于 ScenarIO 项目提供与 Ignition Gazebo 模拟器接口的低级 API。默认情况下，RL 环境共享许多样板代码，例如用于初始化模拟器或构建类以暴露 gym.Env 接口。 Gym-ignition 提供 Task 和 Runtime 抽象，帮助您专注于决策逻辑的开发，而不是工程。它包括 randomizers 以简化模型、物理和任务领域随机化的实现。通过利用 robotology/idyntree 并暴露高层功能， Gym-ignition 还提供强大的动力学算法，兼容固定基和浮动基机器人。

Gym-ignition 不提供现成可用的环境。相反，它的目的是简化和优化环境的开发。尽管如此，为了说明目的，它在gym_ignition_environments 包中提供了规范示例。

访问 [网站][website] 了解有关该项目的更多信息。

安装

首先，按照 ScenarIO 的安装说明操作。
pip install gym-ignition，最好在虚拟环境中进行。

参与贡献

您可以访问我们在 GitHub Discussions 上的社区论坛。即使没有编码技能，回复用户的问题也是一种很好的贡献方式。如果您在应用程序中使用 gym-ignition 并想展示它，请访问展示与分享部分！你可以在那里宣传你用 gym-ignition 创建的环境。

欢迎提交拉取请求。

对于重大更改，请首先打开讨论来提出您想要更改的内容。

引用

@INPROCEEDINGS{ferigo2020gymignition,
    title={Gym-Ignition: Reproducible Robotic Simulations for Reinforcement Learning},
    author={D. {Ferigo} and S. {Traversaro} and G. {Metta} and D. {Pucci}},
    booktitle={2020 IEEE/SICE International Symposium on System Integration (SII)},
    year={2020},
    pages={885-890},
    doi={10.1109/SII46433.2020.9025951}
}