D4RL的Adroit数据集原始环境安装

Adroit介绍

Adroit机械臂数据集是一个用于研究机器人手臂操作的数据集，包含了多种传感器的数据，如RGB-D相机、IMU、力传感器等。该数据集的官方文档和代码可以在以下网址找到：

官方网站：https://sites.google.com/view/deeprl-dexterous-manipulation
D4RL项目中该部分的链接：https://github.com/aravindr93/hand_dapg

D4RL，mujoco，gym三个环境的配置

创建新的环境：decision-transformer-gym

1、Torch安装1.12.1，补充安装D4RL

https://github.com/Farama-Foundation/D4RL
D4RL安装建议通过git下载到本地再pip install -e . 的方式安装
同时打开setup.py文件，注释掉mjrl的安装

2、手动安装mjrl

https://github.com/aravindr93/mjrl
手动pip install 安装h5py、pybullet
这里我开vpn安装，一直失败，后面去掉vpn换上豆瓣源成功安装
这里有两个库比较麻烦，没有配flow、CARLA（这俩是单独的子数据集，不需要）

3、Windows10安装开源Mujoco

https://www.roboti.us/download.html
安装 mujoco200 win64
参考： https://zhuanlan.zhihu.com/p/502112539
报错解决：
https://blog.csdn.net/azeyeazeye/article/details/125102279

4、运行experiment.py文件（DT的官方code，不用DT这个模型不需要这步）

报错：packaging.version.InvalidVersion: Invalid version: ‘0.10.1,<0.11’
解决：pip install packaging==21.3

Adroit的配置（单独）

https://github.com/aravindr93/hand_dapg
下载下来代码，配置mjrl和mj_envs两个库
这里不要安装这个项目github中的链接配置
mjrl已经安装了，通过下面的链接安装mj_envs
https://github.com/Robot-Learning-Library/mj_envs
根据setup.py文件本地配置库（Gym版本从0.18.3变成0.13.0，所以setup.py改一下）亲测0.18.3可以

报错解决：

1、mujoco环境变量没有配置or配置错误
https://blog.csdn.net/azeyeazeye/article/details/125102279
2、Exception: Failed to load XML file: e:
\rl\mj_envs-master\mj_envs\hand_manipulation_suite/assets/DAPG_relocate.xml. mj_loadXML error: b"Error: could not open STL file ‘e:\rl\mj_envs-master\mj_env
s\hand_manipulation_suite/assets/…/…/…/dependencies/Adroit/resources/meshes/forearm_simple.stl’\nObject name = forearm_simple, id = 0, line = 58, column = 9"
在本地的E:\RL\mj_envs-master\dependencies\Adroit下，是空文件，去mj_envs的github库，根据链接点开
vikashplus/Adroit at 0fe8a446c5b580ec49f2458d68747fcebb191fc0 (github.com)
将代码clone到Adroit文件夹下

运行python utils/visualize_demos.py --env_name relocate-v0 即可显示

Adroit的配置（D4RL中）

D4rL与mj_envs不能同时import，adroit的环境会冲突，200步停止是因为V1 envs里
MAX_STEPS = {‘hammer’: 200, ‘relocate’: 200, ‘door’: 200, ‘pen’: 100}

在d4rl的文件夹下直接就有Adroit的文件，所以不需要再额外安装

1. 创建环境与初始化

def wrap_env(
        env: gym.Env,
        state_mean: Union[np.ndarray, float] = 0.0,
        state_std: Union[np.ndarray, float] = 1.0,
        reward_scale: float = 1.0,
) -> gym.Env:
    def normalize_state(state):
        return (state - state_mean) / state_std

    def scale_reward(reward):
        return reward_scale * reward

    env = gym.wrappers.TransformObservation(env, normalize_state)
    if reward_scale != 1.0:
        env = gym.wrappers.TransformReward(env, scale_reward)
    return env

eval_env = wrap_env(
    env=gym.make("door-v0"),
    state_mean=state_mean,
    state_std=state_std,
    reward_scale=config.reward_scale,
)

2. 可视化

viewer = eval_env.mj_viewer_setup() #创建window
eval_env.viewer.render() #开始渲染
eval_env.viewer._read_pixels_as_in_window() # 返回rgb图片

参考\Lib\site-packages\mujoco_py下面的mjviewer.py

同时还有调出mujoco_py窗口后的一些按键操作
The key bindings are as follows:

- TAB: Switch between MuJoCo cameras.
- H: Toggle hiding all GUI components.
- SPACE: Pause/unpause the simulation.
- RIGHT: Advance simulation by one step.
- V: Start/stop video recording.
- T: Capture screenshot.
- I: Drop into ``ipdb`` debugger.
- S/F: Decrease/Increase simulation playback speed.
- C: Toggle visualization of contact forces (off by default).
- D: Enable/disable frame skipping when rendering lags behind real time.
- R: Toggle transparency of geoms.
- M: Toggle display of mocap bodies.
- 0-4: Toggle display of geomgroups

最后的结果如图所示