Неожиданное пространство наблюдения для CartPole-v0

Question

Я удивлен пространством наблюдения, которое я прохожу через самоанализ для CartPole-v0.

Согласно официальному документу вот что я должен получить:

Однако вот что я получаю:

print(env.observation_space.low)
print(env.observation_space.high)
#[-4.8000002e+00 -3.4028235e+38 -4.1887903e-01 -3.4028235e+38]
#[4.8000002e+00 3.4028235e+38 4.1887903e-01 3.4028235e+38]

Я использую последнюю версию gym:

!pip list|grep gym
gym                 0.12.1   

Есть идеи, что происходит?

Answer 1

Похоже на устаревшую документацию, проблема была создана: https://github.com/openai/gym/issues/368

Answer 2

Как указано в коде, похоже, вы получаете ожидаемое поведение, что немного сбивает с толку.С одной стороны, пространство наблюдения составляет [-4,8, 4,8] для cart position, однако на практике эпизод должен закончиться, когда тележка достигнет пределов [-2,4, 2,4].С pole angle ситуация аналогична.

class CartPoleEnv(gym.Env):
"""
Description:
    A pole is attached by an un-actuated joint to a cart, which moves along a frictionless track. The pendulum starts upright, and the goal is to prevent it from falling over by increasing and reducing the cart's velocity.

Source:
    This environment corresponds to the version of the cart-pole problem described by Barto, Sutton, and Anderson

Observation: 
    Type: Box(4)
    Num Observation                 Min         Max
    0   Cart Position             -4.8            4.8
    1   Cart Velocity             -Inf            Inf
    2   Pole Angle                 -24 deg        24 deg
    3   Pole Velocity At Tip      -Inf            Inf

Actions:
    Type: Discrete(2)
    Num Action
    0   Push cart to the left
    1   Push cart to the right

    Note: The amount the velocity that is reduced or increased is not fixed; it depends on the angle the pole is pointing. This is because the center of gravity of the pole increases the amount of energy needed to move the cart underneath it

Reward:
    Reward is 1 for every step taken, including the termination step

Starting State:
    All observations are assigned a uniform random value in [-0.05..0.05]

Episode Termination:
    Pole Angle is more than 12 degrees
    Cart Position is more than 2.4 (center of the cart reaches the edge of the display)
    Episode length is greater than 200
    Solved Requirements
    Considered solved when the average reward is greater than or equal to 195.0 over 100 consecutive trials.
"""

В по этой ссылке вы можете прочитать связанную проблему Github.

* Обратите внимание, что 24 градуса эквивалентны4.1887903e-01 радиан.