与 RL Agent 进行训练#

在之前的教程中,我们介绍了如何定义一个 RL 任务环境、将其注册到 gym 注册表中,并使用一个随机 agent 与其交互。现在我们继续进行下一步: 训练一个 RL agent 来解决这个任务。

尽管 envs.ManagerBasedRLEnv 符合 gymnasium.Env 接口,但它并不完全是一个 gym 环境。环境的输入和输出不是 numpy 数组,而是基于 torch tensors,其中第一个维度是环境实例的数量。

此外,大多数 RL 库都期望其自己的环境接口变体。例如, Stable-Baselines3 期望环境符合其 VecEnv API ,该 API 期望接收一个 numpy 数组列表而不是一个单一的张量。类似地, RSL-RL 、 RL-Games 和 SKRL 也预期另一个接口。由于没有一种适合所有情况的解决方案,我们不将 envs.ManagerBasedRLEnv 基于任何特定的学习库。相反,我们实现了包装器来将环境转换为所期望的接口。这些包装器在 isaaclab_rl 模块中指定。

在本教程中,我们将使用 Stable-Baselines3 来训练一个 RL agent 来解决 cartpole 平衡任务。

小心

在应用所有其他包装器后,应在最后使用相应学习框架的包装器包装环境。这是因为学习框架的包装器会修改环境 API 的解释,这可能不再与 gymnasium.Env 兼容。

代码#

本教程使用 Stable-Baselines3 工作流的训练实现,位于 isaaclab_rl.entrypoints.backends.train_sb3 模块。

train_sb3.py 代码
  1# Copyright (c) 2022-2026, The Isaac Lab Project Developers (https://github.com/isaac-sim/IsaacLab/blob/main/CONTRIBUTORS.md).
  2# All rights reserved.
  3#
  4# SPDX-License-Identifier: BSD-3-Clause
  5
  6"""Stable-Baselines3 training backend of the unified reinforcement learning entrypoint."""
  7
  8from __future__ import annotations
  9
 10import argparse
 11import contextlib
 12import gc
 13import os
 14import signal
 15import sys
 16import time
 17from datetime import datetime
 18from pathlib import Path
 19
 20import numpy as np
 21from stable_baselines3 import PPO
 22from stable_baselines3.common.callbacks import CheckpointCallback, LogEveryNTimesteps
 23from stable_baselines3.common.vec_env import VecNormalize
 24
 25from isaaclab.app import add_launcher_args, launch_simulation, report_activity
 26from isaaclab.envs import DirectMARLEnvCfg
 27from isaaclab.utils.seed import configure_seed
 28
 29import isaaclab_tasks  # noqa: F401
 30from isaaclab_tasks.utils import resolve_task_config, setup_preset_cli
 31
 32from ...sb3 import Sb3VecEnvWrapper, process_sb3_cfg
 33from ..common import (
 34    CHECKPOINT_SELECTORS,
 35    add_common_train_args,
 36    apply_env_overrides,
 37    apply_video_recording,
 38    close_env,
 39    create_isaaclab_env,
 40    dump_train_configs,
 41    enable_cameras_for_video,
 42    pre_launch_video_config,
 43    resolve_checkpoint_selector,
 44    resolve_seed,
 45    set_hydra_args,
 46    show_run_summary,
 47    startup_screen,
 48    wrap_sensor_capture,
 49    write_run_manifest,
 50)
 51
 52# PLACEHOLDER: Extension template (do not remove this comment)
 53with contextlib.suppress(ImportError):
 54    import isaaclab_tasks_experimental  # noqa: F401
 55
 56
 57def _cleanup_pbar(*args) -> None:
 58    """Stop training and close the rich progress bars on Ctrl+C."""
 59    for obj in gc.get_objects():
 60        if "tqdm_rich" in type(obj).__name__:
 61            obj.close()
 62    raise KeyboardInterrupt
 63
 64
 65def _parse_args(argv: list[str]) -> argparse.Namespace:
 66    """Parse Stable-Baselines3 training arguments."""
 67    parser = argparse.ArgumentParser(description="Train an RL agent with Stable-Baselines3.")
 68    add_common_train_args(
 69        parser,
 70        agent_default="sb3_cfg_entry_point",
 71        agent_help="Name of the RL agent configuration entry point.",
 72        include_distributed=False,
 73    )
 74    parser.add_argument("--log_interval", type=int, default=100_000, help="Log data every n timesteps.")
 75    parser.add_argument("--checkpoint", type=str, default=None, help="Checkpoint path, or latest/best.")
 76    parser.add_argument(
 77        "--keep_all_info",
 78        action="store_true",
 79        default=False,
 80        help="Use a slower SB3 wrapper but keep all the extra training info.",
 81    )
 82    add_launcher_args(parser)
 83    args_cli, hydra_args = setup_preset_cli(parser, argv)
 84    enable_cameras_for_video(args_cli)
 85    set_hydra_args(hydra_args)
 86    return args_cli
 87
 88
 89def _resolve_checkpoint(args_cli: argparse.Namespace, log_root_path: str) -> str | None:
 90    """Resolve the checkpoint to resume from, or None when training starts from scratch."""
 91    if args_cli.checkpoint in CHECKPOINT_SELECTORS:
 92        return resolve_checkpoint_selector(
 93            log_root_path,
 94            args_cli.checkpoint,
 95            library="sb3",
 96            task=args_cli.task,
 97            checkpoint_pattern=r"model(?:_.*)?\.zip",
 98            preferred_checkpoint_pattern=r"model\.zip",
 99            metadata={"agent": args_cli.agent},
100        )
101    return args_cli.checkpoint
102
103
104def run(argv: list[str]) -> None:
105    """Train a Stable-Baselines3 agent."""
106    signal.signal(signal.SIGINT, _cleanup_pbar)
107    args_cli = _parse_args(argv)
108    with startup_screen(args_cli, num_stages=3) as screen:
109        env_cfg, agent_cfg = resolve_task_config(args_cli.task, args_cli.agent)
110        pre_launch_video_config(env_cfg, args_cli)
111        show_run_summary(screen, args_cli, env_cfg, library="sb3", action="train")
112        screen.stage("Launching simulation")
113        with launch_simulation(env_cfg, args_cli), contextlib.ExitStack() as cleanup:
114            apply_env_overrides(args_cli, env_cfg)
115            args_cli.seed = resolve_seed(args_cli.seed)
116            if args_cli.seed is not None:
117                agent_cfg["seed"] = args_cli.seed
118            if args_cli.max_iterations is not None:
119                agent_cfg["n_timesteps"] = args_cli.max_iterations * agent_cfg["n_steps"] * env_cfg.scene.num_envs
120            env_cfg.seed = agent_cfg["seed"]
121
122            log_root_path = os.path.abspath(os.path.join("logs", "sb3", args_cli.task))
123            print(f"[INFO] Logging experiment in directory: {log_root_path}")
124            run_name = datetime.now().strftime("%Y-%m-%d_%H-%M-%S")
125            print(f"Exact experiment name requested from command line: {run_name}")
126            log_dir = os.path.join(log_root_path, run_name)
127            write_run_manifest(log_dir, library="sb3", task=args_cli.task, metadata={"agent": args_cli.agent})
128            dump_train_configs(log_dir, env_cfg, agent_cfg)
129            (Path(log_dir) / "command.txt").write_text(" ".join(sys.orig_argv))
130
131            checkpoint_path = _resolve_checkpoint(args_cli, log_root_path)
132            agent_cfg = process_sb3_cfg(agent_cfg, env_cfg.scene.num_envs)
133            policy_arch = agent_cfg.pop("policy")
134            n_timesteps = agent_cfg.pop("n_timesteps")
135            norm_args = {}
136            for key in ("normalize_input", "normalize_value", "clip_obs"):
137                if key in agent_cfg:
138                    norm_args[key] = agent_cfg.pop(key)
139
140            env_cfg.log_dir = log_dir
141            apply_video_recording(env_cfg, log_dir, args_cli)
142
143            screen.stage("Creating environment")
144            env = create_isaaclab_env(
145                args_cli.task,
146                env_cfg,
147                args_cli,
148                convert_marl_to_single_agent=isinstance(env_cfg, DirectMARLEnvCfg),
149            )
150            cleanup.callback(lambda: close_env(env))
151            env = wrap_sensor_capture(env, log_dir, args_cli)
152
153            screen.stage("Preparing agent")
154            start_time = time.time()
155            report_activity("Wrapping environment")
156            env = Sb3VecEnvWrapper(env, fast_variant=not args_cli.keep_all_info)
157            report_activity(None)
158            if norm_args.get("normalize_input"):
159                print(f"Normalizing input, {norm_args=}")
160                env = VecNormalize(
161                    env,
162                    training=True,
163                    norm_obs=norm_args["normalize_input"],
164                    norm_reward=norm_args.get("normalize_value", False),
165                    clip_obs=norm_args.get("clip_obs", 100.0),
166                    gamma=agent_cfg["gamma"],
167                    clip_reward=np.inf,
168                )
169
170            report_activity("Building policy")
171            agent = PPO(policy_arch, env, verbose=1, tensorboard_log=log_dir, **agent_cfg)
172            report_activity(None)
173            if checkpoint_path is not None:
174                agent = agent.load(checkpoint_path, env, print_system_info=True)
175
176            # configure_seed must run after PPO construction and loading so torch determinism does not disturb
177            # SB3's initialization
178            if args_cli.deterministic:
179                configure_seed(env_cfg.seed, torch_deterministic=True)
180
181            callbacks = [
182                CheckpointCallback(save_freq=1000, save_path=log_dir, name_prefix="model", verbose=2),
183                LogEveryNTimesteps(n_steps=args_cli.log_interval),
184            ]
185
186            screen.close()
187            with contextlib.suppress(KeyboardInterrupt):
188                agent.learn(total_timesteps=n_timesteps, callback=callbacks, progress_bar=True, log_interval=None)
189
190            agent.save(os.path.join(log_dir, "model"))
191            print(f"Saving to:\n{os.path.join(log_dir, 'model.zip')}")
192            if isinstance(env, VecNormalize):
193                print("Saving normalization")
194                env.save(os.path.join(log_dir, "model_vecnormalize.pkl"))
195            print(f"Training time: {round(time.time() - start_time, 2)} seconds")

代码解释#

上面的大部分代码是创建日志目录、保存解析的配置和设置不同的 Stable-Baselines3 组件的样板代码。对于本教程,重要的部分是创建环境并使用 Stable-Baselines3 包装器对其进行包装。

代码中使用了三个包装器:

  1. gymnasium.wrappers.RecordVideo: 这个包装器记录环境的视频并将其保存到指定目录。这对于在训练过程中可视化 agent 的行为非常有用。

  2. wrappers.sb3.Sb3VecEnvWrapper: 这个包装器将环境转换为 Stable-Baselines3 兼容的环境。

  3. stable_baselines3.common.vec_env.VecNormalize: 这个包装器对环境的观测和奖励进行标准化。

这些包装器中的每一个都通过反复执行 env = wrapper(env, *args, **kwargs) 来包装前一个包装器。然后使用最终的环境来训练 agent。有关这些包装器如何工作的更多信息,请参考 包装环境 文档。

代码执行#

我们训练一个从 Stable-Baselines3 学习的 PPO agent 来解决 cartpole 平衡任务。

训练 agent#

训练 agent 有三种主要方法。每种方法都有其自己的优点和缺点。根据您的用例,您可以决定使用哪种方法。

无界面执行#

未请求可视化器时,训练期间不会打开交互式可视化窗口。这适用于远程服务器训练,或不需要实时画面反馈的情况,因为实时反馈会增加一些计算开销。工作流启用传感器或相机数据采集后,渲染仍可保持运行。

uv run --extra sb3 isaaclab train --rl_library sb3 --task Isaac-Cartpole --num_envs 64
./isaaclab.sh train --rl_library sb3 --task Isaac-Cartpole --num_envs 64

无界面执行与离屏渲染#

需要查看训练过程的行为,但不打开交互窗口时,可传入 --video。默认通过无界面 Kit 可视化器录制场景,因此需要 Isaac Sim。选择其他可视化器或相机传感器输出的方法见 录制视频 。

uv run --extra sb3,video isaaclab train --rl_library sb3 --task Isaac-Cartpole --num_envs 64 --video
./isaaclab.sh train --rl_library sb3 --task Isaac-Cartpole --num_envs 64 --video

视频保存在 logs/sb3/Isaac-Cartpole/<run-dir>/videos/train 目录,可以用任意视频播放器打开。

对于场景中带有相机的任务,还可以通过 --capture_env_sensors 在训练期间直接保存传感器图像输出。可用选项和输出格式见 在训练期间采集传感器帧 。

交互式执行#

上述两种方式可用于训练智能体,但无法与仿真交互、观察实时情况。如果需要交互,可按以下方式运行训练命令:

uv run --extra sb3 isaaclab train --rl_library sb3 --task Isaac-Cartpole --num_envs 64 --viz kit
./isaaclab.sh train --rl_library sb3 --task Isaac-Cartpole --num_envs 64 --viz kit

这会打开 Kit 可视化窗口,可以看到智能体在环境中训练。不过,启用交互式画面反馈可能降低训练速度。可以在屏幕右下角停靠的 "Isaac Lab" 窗口中切换不同渲染模式。更多信息见 sim.SimulationContext.RenderMode 。

查看日志#

在单独的终端中,您可以通过执行以下命令监视训练进度:

# execute from the root directory of the repository
uv run python -m tensorboard.main --logdir logs/sb3/Isaac-Cartpole
# execute from the root directory of the repository
./isaaclab.sh -p -m tensorboard.main --logdir logs/sb3/Isaac-Cartpole

播放经过训练的 agent#

一旦训练完成,您可以通过执行以下命令来可视化经过训练的 agent:

# execute from the root directory of the repository
uv run --extra sb3 isaaclab play --rl_library sb3 --task Isaac-Cartpole --num_envs 32 --viz kit
# execute from the root directory of the repository
./isaaclab.sh play --rl_library sb3 --task Isaac-Cartpole --num_envs 32 --viz kit

上述命令加载 logs/sb3/Isaac-Cartpole 目录中的最新检查点。也可以用 --checkpoint 指定某个检查点。