如何向量化强化学习环境？

Question

我有一个符合 OpenAI 环境 API 的 Python 类，但它是以非矢量化形式编写的，即它每一步接收一个输入动作，每一步返回一个奖励。如何矢量化环境？我在 GitHub 上没有找到任何明确的解释。

Answer 1

您可以编写一个自定义类来迭代内部环境元组，同时维护基本的 Gym API。在实践中，会有一些差异，因为底层环境不会在相同的时间步上终止。因此，将标准 step 和 reset 函数组合在 一种称为step 的方法。这是一个例子：

class VectorEnv:
    def __init__(self, make_env_fn, n):
        self.envs = tuple(make_env_fn() for _ in range(n))

    # Call this only once at the beginning of training (optional):
    def seed(self, seeds):
        assert len(self.envs) == len(seeds)
        return tuple(env.seed(s) for env, s in zip(self.envs, seeds))

    # Call this only once at the beginning of training:
    def reset(self):
        return tuple(env.reset() for env in self.envs)

    # Call this on every timestep:
    def step(self, actions):
        assert len(self.envs) == len(actions)
        return_values = []
        for env, a in zip(self.envs, actions):
            observation, reward, done, info = env.step(a)
            if done:
                observation = env.reset()
            return_values.append((observation, reward, done, info))
        return tuple(return_values)

    # Call this at the end of training:
    def close(self):
        for env in self.envs:
            env.close()

然后你可以像这样实例化它：

import gym
make_env_fn = lambda: gym.make('CartPole-v0')
env = VectorEnv(make_env_fn, n=4)

当您调用step 时，您必须为您的代理做一些簿记以处理返回值的元组。这也是为什么我更喜欢将函数 make_env_fn 传递给 __init__ 的原因，因为添加像 gym.wrappers.Monitor 这样的包装器很容易，它可以单独自动跟踪每个环境的统计信息。