Miniworld环境创建教程：零基础打造专属强化学习训练场景

Miniworld环境创建教程：零基础打造专属强化学习训练场景

【免费下载链接】MiniworldSimple and easily configurable 3D FPS-game-like environments for reinforcement learning项目地址: https://gitcode.com/gh_mirrors/mi/Miniworld

Miniworld是一款简单且高度可配置的3D FPS游戏风格强化学习环境，让开发者能够轻松构建自定义训练场景。本文将带你从零开始，通过4个简单步骤创建专属的强化学习环境，即使没有3D建模经验也能快速上手。

为什么选择Miniworld？

强化学习的效果很大程度上依赖于训练环境的质量。Miniworld作为轻量级3D环境框架，具有以下优势：

• 极简配置：无需复杂的3D建模知识，几行代码即可生成复杂场景
• 丰富预设：内置多种环境模板，如迷宫、房间、走廊等
• 高度可定制：支持自定义地图尺寸、物体摆放、奖励机制
• 轻量高效：对硬件要求低，普通电脑即可流畅运行

图1：Miniworld内置的单房间环境，适合基础导航任务训练

准备工作：5分钟快速安装

环境要求

• Python 3.6+
• 支持OpenGL的显卡
• 操作系统：Windows/macOS/Linux

两种安装方式

快速安装（推荐新手）：

pip install miniworld

源码安装（适合开发者）：

git clone https://gitcode.com/gh_mirrors/mi/Miniworld cd Miniworld python3 -m pip install -e .

开发模式安装（-e参数）允许你修改源码并实时生效，推荐需要自定义环境的用户使用。

第一步：创建基础环境类

创建环境的核心是定义一个继承自MiniWorldEnv的类。以下是基础模板代码：

from miniworld.miniworld import MiniWorldEnv class MyCustomEnv(MiniWorldEnv): def __init__(self, size=10, **kwargs): self.size = size # 环境尺寸 super().__init__(**kwargs) # 定义动作空间：左转(0)、右转(1)、前进(2)、后退(3) self.action_space = spaces.Discrete(self.actions.move_forward + 1)

这个基础类设置了环境的基本属性和动作空间。MiniWorld默认使用X-Z平面进行移动，简化了3D空间的操作难度。

第二步：生成环境地图

通过重写_gen_world方法来创建环境地图。最简单的是生成一个矩形房间：

def _gen_world(self): # 创建矩形房间：min_x, max_x, min_z, max_z self.add_rect_room(min_x=0, max_x=self.size, min_z=0, max_z=self.size) # 放置智能体 self.place_agent()

运行代码后，你将得到一个空房间环境，如下图所示：

图2：基础矩形房间环境，红色三角形代表智能体

提示：可以通过调整size参数改变房间大小，数值越大房间面积越大。

第三步：添加交互物体

在环境中添加目标物体，让智能体有任务可做：

from miniworld.entity import Box import numpy as np def _gen_world(self): self.add_rect_room(min_x=0, max_x=self.size, min_z=0, max_z=self.size) # 放置蓝色箱子作为目标 self.box = self.place_entity( Box(color='blue'), pos=np.array([4.5, 0.5, 4.5]), # 位置坐标 dir=0.0 # 朝向角度 ) self.place_agent()

现在环境中多了一个蓝色箱子，智能体需要学会与之交互：

图3：添加蓝色箱子后的环境，智能体需要到达目标位置

MiniWorld提供多种预设物体，如：

• Box：立方体
• Key：钥匙
• Ball：球体
• Door：门

这些物体都可以通过类似的方式添加到环境中。

第四步：设置奖励机制

强化学习需要奖励信号来引导智能体学习。添加以下代码实现"靠近箱子获得奖励"的机制：

def step(self, action): # 调用父类的step方法 obs, reward, termination, truncation, info = super().step(action) # 当智能体靠近箱子时给予奖励 if self.near(self.box): reward += self._reward() # 奖励值默认为1.0 termination = True # 任务完成 return obs, reward, termination, truncation, info

现在，当智能体移动到蓝色箱子附近时，会获得奖励并结束当前回合。

高级技巧：创建复杂环境

1. 迷宫环境示例

MiniWorld可以轻松创建复杂的迷宫环境，只需添加多个房间和连接通道：

def _gen_world(self): # 创建多个房间 room1 = self.add_rect_room(min_x=0, max_x=5, min_z=0, max_z=5) room2 = self.add_rect_room(min_x=5, max_x=10, min_z=5, max_z=10) # 添加连接通道 self.connect_rooms(room1, room2, min_x=5, max_x=5, min_z=3, max_z=7) self.place_agent(room=room1) self.place_entity(Box(color='red'), room=room2)

图4：复杂迷宫环境示例，适合训练导航和探索能力

2. 环境参数化

通过参数化设计，可以生成无限多种环境变体：

def __init__(self, size=10, num_objects=3, **kwargs): self.size = size self.num_objects = num_objects # 物体数量 super().__init__(**kwargs) def _gen_world(self): self.add_rect_room(min_x=0, max_x=self.size, min_z=0, max_z=self.size) # 随机放置多个物体 for _ in range(self.num_objects): self.place_entity(Box(color=np.random.choice(['red', 'blue', 'green']))) self.place_agent()

运行与测试环境

创建完环境后，可以使用手动控制脚本测试：

from miniworld.manual_control import manual_control env = MyCustomEnv(size=15) manual_control(env)

通过键盘方向键控制智能体移动，观察环境是否符合预期。

总结

通过本文介绍的四个步骤，你已经掌握了Miniworld环境创建的基本方法：

1. 创建环境类继承MiniWorldEnv
2. 重写_gen_world生成地图
3. 添加交互物体
4. 设置奖励机制

MiniWorld的灵活性使得创建各种强化学习场景变得简单，从简单的导航任务到复杂的多目标操作。更多高级功能可以参考官方文档：docs/content/create_env.md

现在就动手创建你的第一个强化学习环境吧！如有问题，可以查阅docs/content/troubleshooting.md或项目Issues获取帮助。

【免费下载链接】MiniworldSimple and easily configurable 3D FPS-game-like environments for reinforcement learning项目地址: https://gitcode.com/gh_mirrors/mi/Miniworld