与 RL Agent 进行训练

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 omni.isaac.lab_tasks.utils.wrappers 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

在最后，使用所对应的学习框架的包装器对环境进行包装。这是因为学习框架的包装器修改了环境 API 的解释，这可能不再与 gymnasium.Env 兼容。

代码#

在本教程中，我们使用 source/standalone/workflows/sb3 目录中的 Stable-Baselines3 workflow 的训练脚本。

train.py 代码
  1# Copyright (c) 2022-2024, The Isaac Lab Project Developers.
  2# All rights reserved.
  3#
  4# SPDX-License-Identifier: BSD-3-Clause
  5
  6"""Script to train RL agent with Stable Baselines3.
  7
  8Since Stable-Baselines3 does not support buffers living on GPU directly,
  9we recommend using smaller number of environments. Otherwise,
 10there will be significant overhead in GPU->CPU transfer.
 11"""
 12
 13"""Launch Isaac Sim Simulator first."""
 14
 15import argparse
 16import sys
 17
 18from omni.isaac.lab.app import AppLauncher
 19
 20# add argparse arguments
 21parser = argparse.ArgumentParser(description="Train an RL agent with Stable-Baselines3.")
 22parser.add_argument("--video", action="store_true", default=False, help="Record videos during training.")
 23parser.add_argument("--video_length", type=int, default=200, help="Length of the recorded video (in steps).")
 24parser.add_argument("--video_interval", type=int, default=2000, help="Interval between video recordings (in steps).")
 25parser.add_argument("--num_envs", type=int, default=None, help="Number of environments to simulate.")
 26parser.add_argument("--task", type=str, default=None, help="Name of the task.")
 27parser.add_argument("--seed", type=int, default=None, help="Seed used for the environment")
 28parser.add_argument("--max_iterations", type=int, default=None, help="RL Policy training iterations.")
 29# append AppLauncher cli args
 30AppLauncher.add_app_launcher_args(parser)
 31# parse the arguments
 32args_cli, hydra_args = parser.parse_known_args()
 33# always enable cameras to record video
 34if args_cli.video:
 35    args_cli.enable_cameras = True
 36
 37# clear out sys.argv for Hydra
 38sys.argv = [sys.argv[0]] + hydra_args
 39
 40# launch omniverse app
 41app_launcher = AppLauncher(args_cli)
 42simulation_app = app_launcher.app
 43
 44"""Rest everything follows."""
 45
 46import gymnasium as gym
 47import numpy as np
 48import os
 49import random
 50from datetime import datetime
 51
 52from stable_baselines3 import PPO
 53from stable_baselines3.common.callbacks import CheckpointCallback
 54from stable_baselines3.common.logger import configure
 55from stable_baselines3.common.vec_env import VecNormalize
 56
 57from omni.isaac.lab.envs import (
 58    DirectMARLEnv,
 59    DirectMARLEnvCfg,
 60    DirectRLEnvCfg,
 61    ManagerBasedRLEnvCfg,
 62    multi_agent_to_single_agent,
 63)
 64from omni.isaac.lab.utils.dict import print_dict
 65from omni.isaac.lab.utils.io import dump_pickle, dump_yaml
 66
 67import omni.isaac.lab_tasks  # noqa: F401
 68from omni.isaac.lab_tasks.utils.hydra import hydra_task_config
 69from omni.isaac.lab_tasks.utils.wrappers.sb3 import Sb3VecEnvWrapper, process_sb3_cfg
 70
 71
 72@hydra_task_config(args_cli.task, "sb3_cfg_entry_point")
 73def main(env_cfg: ManagerBasedRLEnvCfg | DirectRLEnvCfg | DirectMARLEnvCfg, agent_cfg: dict):
 74    """Train with stable-baselines agent."""
 75    # randomly sample a seed if seed = -1
 76    if args_cli.seed == -1:
 77        args_cli.seed = random.randint(0, 10000)
 78
 79    # override configurations with non-hydra CLI arguments
 80    env_cfg.scene.num_envs = args_cli.num_envs if args_cli.num_envs is not None else env_cfg.scene.num_envs
 81    agent_cfg["seed"] = args_cli.seed if args_cli.seed is not None else agent_cfg["seed"]
 82    # max iterations for training
 83    if args_cli.max_iterations is not None:
 84        agent_cfg["n_timesteps"] = args_cli.max_iterations * agent_cfg["n_steps"] * env_cfg.scene.num_envs
 85
 86    # set the environment seed
 87    # note: certain randomizations occur in the environment initialization so we set the seed here
 88    env_cfg.seed = agent_cfg["seed"]
 89    env_cfg.sim.device = args_cli.device if args_cli.device is not None else env_cfg.sim.device
 90
 91    # directory for logging into
 92    log_dir = os.path.join("logs", "sb3", args_cli.task, datetime.now().strftime("%Y-%m-%d_%H-%M-%S"))
 93    # dump the configuration into log-directory
 94    dump_yaml(os.path.join(log_dir, "params", "env.yaml"), env_cfg)
 95    dump_yaml(os.path.join(log_dir, "params", "agent.yaml"), agent_cfg)
 96    dump_pickle(os.path.join(log_dir, "params", "env.pkl"), env_cfg)
 97    dump_pickle(os.path.join(log_dir, "params", "agent.pkl"), agent_cfg)
 98
 99    # post-process agent configuration
100    agent_cfg = process_sb3_cfg(agent_cfg)
101    # read configurations about the agent-training
102    policy_arch = agent_cfg.pop("policy")
103    n_timesteps = agent_cfg.pop("n_timesteps")
104
105    # create isaac environment
106    env = gym.make(args_cli.task, cfg=env_cfg, render_mode="rgb_array" if args_cli.video else None)
107    # wrap for video recording
108    if args_cli.video:
109        video_kwargs = {
110            "video_folder": os.path.join(log_dir, "videos", "train"),
111            "step_trigger": lambda step: step % args_cli.video_interval == 0,
112            "video_length": args_cli.video_length,
113            "disable_logger": True,
114        }
115        print("[INFO] Recording videos during training.")
116        print_dict(video_kwargs, nesting=4)
117        env = gym.wrappers.RecordVideo(env, **video_kwargs)
118
119    # convert to single-agent instance if required by the RL algorithm
120    if isinstance(env.unwrapped, DirectMARLEnv):
121        env = multi_agent_to_single_agent(env)
122
123    # wrap around environment for stable baselines
124    env = Sb3VecEnvWrapper(env)
125
126    if "normalize_input" in agent_cfg:
127        env = VecNormalize(
128            env,
129            training=True,
130            norm_obs="normalize_input" in agent_cfg and agent_cfg.pop("normalize_input"),
131            norm_reward="normalize_value" in agent_cfg and agent_cfg.pop("normalize_value"),
132            clip_obs="clip_obs" in agent_cfg and agent_cfg.pop("clip_obs"),
133            gamma=agent_cfg["gamma"],
134            clip_reward=np.inf,
135        )
136
137    # create agent from stable baselines
138    agent = PPO(policy_arch, env, verbose=1, **agent_cfg)
139    # configure the logger
140    new_logger = configure(log_dir, ["stdout", "tensorboard"])
141    agent.set_logger(new_logger)
142
143    # callbacks for agent
144    checkpoint_callback = CheckpointCallback(save_freq=1000, save_path=log_dir, name_prefix="model", verbose=2)
145    # train the agent
146    agent.learn(total_timesteps=n_timesteps, callback=checkpoint_callback)
147    # save the final model
148    agent.save(os.path.join(log_dir, "model"))
149
150    # close the simulator
151    env.close()
152
153
154if __name__ == "__main__":
155    # run the main function
156    main()
157    # close sim app
158    simulation_app.close()

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察和奖励进行标准化。

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#

如果设置了 --headless 标志，则在训练过程中不会呈现模拟。当在远程服务器上进行训练或者不想看到模拟时，这很有用。通常情况下，此操作会加快训练过程，因为只执行物理模拟步骤。

./isaaclab.sh -p source/standalone/workflows/sb3/train.py --task Isaac-Cartpole-v0 --num_envs 64 --headless

无界面执行与离屏渲染#

由于上述命令不会呈现模拟，所以无法在训练过程中看到 agent 的行为。要可视化 agent 的行为，我们传递 --enable_cameras ，这会启用离屏渲染。此外，我们传递标志 --video ，这会记录 agent 在训练期间的行为视频。

./isaaclab.sh -p source/standalone/workflows/sb3/train.py --task Isaac-Cartpole-v0 --num_envs 64 --headless --video

视频保存在 logs/sb3/Isaac-Cartpole-v0/<run-dir>/videos/train 目录中。您可以使用任何视频播放器打开这些视频。

交互式执行#

虽然上述两种方法对于训练 agent 很有用，但不能让您与模拟进行交互以查看发生了什么。在这种情况下，您可以忽略 --headless 标志并按如下方式运行训练脚本:

./isaaclab.sh -p source/standalone/workflows/sb3/train.py --task Isaac-Cartpole-v0 --num_envs 64

这将打开 Isaac Sim 窗口，您可以看到 agent 在环境中进行训练。然而，这会减慢训练过程，因为模拟会在屏幕上呈现。作为变通方法，您可以在屏幕右下角停靠的 "Isaac Lab" 窗口中在不同的渲染模式之间切换。要了解更多有关这些渲染模式的信息，请查看 sim.SimulationContext.RenderMode 类。

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
./isaaclab.sh -p -m tensorboard.main --logdir logs/sb3/Isaac-Cartpole-v0

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
./isaaclab.sh -p source/standalone/workflows/sb3/play.py --task Isaac-Cartpole-v0 --num_envs 32 --use_last_checkpoint

上述命令将从 logs/sb3/Isaac-Cartpole-v0 目录加载最新的检查点。您也可以通过传递 --checkpoint 标志指定特定的检查点。