【mujoco】Ubuntu20.04配置mujoco210-编程知识

【mujoco】Ubuntu20.04配置mujoco210

文章目录

【mujoco】Ubuntu20.04配置mujoco210
- 1. 安装mujoco210
- 2. 安装mujoco-py
- 3.使用render时报错
- Reference

本文简要介绍一下如何在ubuntu20.04系统中配置mujoco210，用于强化学习。

1. 安装mujoco210

在官方资源里找到https://github.com/google-deepmind/mujoco/releases/tag/2.1.0

进行下载，然后找到下载的路径进行解压

cd 你的存放路径
tar -xvf ./mujoco210-linux-x86_64.tar.gz 
sudo mkdir ~/.mujoco			#在主目录下创建.mujoco
mv ./mujoco210 ~/.mujoco 		#将mujoco210放置在~/.mujoco中

然后配置环境变量

sudo gedit ~/.bashrc

在.bashrc中末尾添加下面两行

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/sjh/.mujoco/mujoco210/bin

注意这里的路径问题，请修改为自己的用户名/home/你的用户名/...

source ~/.bashrc

然后就可以测试一下

cd ~/.mujoco/mujoco210/bin
./simulate ../model/humanoid.xml

若出现如下的结果则表明配置没有问题

2. 安装mujoco-py

首先下载mujoco-py 源码 https://github.com/openai/mujoco-py

git clone https://github.com/openai/mujoco-py.git

然后将mujoco-py安装到自己的虚拟环境中，为了演示方便我这里创建一个新的虚拟环境mujo

conda create mujo python=3.8
conda activate mujo

然后安装mujoco-py

cd 你下载mujo的路径
pip3 install -U 'mujoco-py<2.2,>=2.1'
pip3 install -r requirements.txt
pip3 install -r requirements.dev.txt
python3 setup.py install

然后配置环境变量

sudo gedit ~/.bashrc

添加

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/lib/nvidia

测试是否安装成功

import mujoco_py
import os
mj_path = mujoco_py.utils.discover_mujoco()
xml_path = os.path.join(mj_path, 'model', 'humanoid.xml')
model = mujoco_py.load_model_from_path(xml_path)
sim = mujoco_py.MjSim(model)print(sim.data.qpos)
# [0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]sim.step()
print(sim.data.qpos)
# [-2.09531783e-19  2.72130735e-05  6.14480786e-22 -3.45474715e-06
#   7.42993721e-06 -1.40711141e-04 -3.04253586e-04 -2.07559344e-04
#   8.50646247e-05 -3.45474715e-06  7.42993721e-06 -1.40711141e-04
#  -3.04253586e-04 -2.07559344e-04 -8.50646247e-05  1.11317030e-04
#  -7.03465386e-05 -2.22862221e-05 -1.11317030e-04  7.03465386e-05
#  -2.22862221e-05]

如果输出如下，则安装成功

3.使用render时报错

报错如下

ERROR: GLEW initalization error: Missing GL version

我们需要再次编辑环境变量

sudo gedit ~/.bashrc

加入

export LD_PRELOAD=/usr/lib/x86_64-linux-gnu/libGLEW.so

即可解决问题，运行示例代码如下

import gym# 创建 HalfCheetah 环境
env = gym.make('HalfCheetah-v3')# 查看状态空间和动作空间的维度
print("状态空间维度:", env.observation_space.shape)
print("动作空间维度:", env.action_space.shape)# 初始化环境
observation = env.reset()# 运行环境并查看结果
for _ in range(1000):  # 你可以根据需要设置运行的步数env.render()  # 可视化环境action = env.action_space.sample()  # 随机采样动作，实际中需要用你的智能体来生成动作observation, reward, done, _ = env.step(action)if done:observation = env.reset()  # 如果达到终止条件，重新初始化环境env.close()  # 关闭环境窗口