EngineeringSim

该库包含一组使用Gymnasium和Gymnasium Robotics API的工程模拟环境中的强化学习数据集。这些环境运行在MuJoCo物理引擎上。数据集包括单代理路径规划、多代理路径规划、单代理障碍物避免、多代理障碍物避免、单代理机器人手臂和多代理机器人手臂等类型。

This library contains a collection of reinforcement learning datasets sourced from engineering simulation environments that utilize the Gymnasium and Gymnasium Robotics APIs. These environments operate on the MuJoCo physics engine. The datasets cover multiple task categories including single-agent path planning, multi-agent path planning, single-agent obstacle avoidance, multi-agent obstacle avoidance, single-agent robotic arms, and multi-agent robotic arms.

原始信息汇总

EngineeringSim 数据集概述

数据集简介

• 包含一组基于Gymnasium和Gymnasium Robotics API的强化学习工程仿真环境
• 使用MuJoCo物理引擎和mujoco python绑定运行
• 支持Linux和macOS系统，Windows系统不官方支持

环境分类

1. 单智能体路径规划

   • 任务：智能体寻找路径获取目标
   • 示例环境：PointMaze_PATHPLANNING_MAP1Dense-v3

2. 多智能体路径规划

   • 任务：多个智能体寻找路径获取各自目标
   • 示例环境：PointMaze_MA_PATHPLANNING_MAP1Dense-v3

3. 单智能体避障

   • 任务：智能体寻找路径获取目标并避开障碍物
   • 示例环境：PointMaze_BARRIER_PATHPLANNING_MAP1Dense-v3

4. 多智能体避障

   • 任务：多个智能体寻找路径获取各自目标并避开障碍物
   • 示例环境：PointMaze_MA_BARRIER_PATHPLANNING_MAP1Dense-v3

5. 单智能体机械臂

   • 任务：智能体通过振动平整水泥
   • 示例环境：RobotsArmEngSim-v4

6. 多智能体机械臂

   • 任务：多个智能体通过振动平整水泥
   • 示例环境：MultiRobotsArmEngSim-v4

离线数据集

环境类型	数据类型	下载链接
单智能体路径规划	Random	https://cloud.tsinghua.edu.cn/d/a45bb47294154288a351/
多智能体路径规划	Random	https://cloud.tsinghua.edu.cn/d/860404761ba84c8185ba/
单智能体避障	Random	https://cloud.tsinghua.edu.cn/d/f438681b273743119736/
多智能体避障	Random	https://cloud.tsinghua.edu.cn/d/30b121e9caa4452f83d7/
单智能体机械臂	Random	https://cloud.tsinghua.edu.cn/d/dacde3bd82c04f9ea246/
多智能体机械臂	Random	https://cloud.tsinghua.edu.cn/d/0a1720bb268342dab3c9/

使用说明

python import gymnasium as gym import engineering_sim gym.register_envs(engineering_sim) # 环境注册 env = gym.make("环境名称") # 环境生成 env.reset() obs, reward, terminated, truncated, info = env.step(env.action_space.sample()) # 环境交互

项目维护

• 主要贡献者：Zhuoran Li
• 指导教授：Longbo Huang

引用格式

bibtex @software{engineering_sim2025github, author = {Zhuoran Li, Longbo Huang}, title = {Engineering Sim}, version = {0.0.1}, year = {2025}, }

搜集汇总

数据集介绍

构建方式

EngineeringSim数据集基于MuJoCo物理引擎和Gymnasium API构建，专注于工程仿真领域的强化学习环境。该数据集通过六类核心场景的系统化设计实现：单/多智能体路径规划、障碍规避及机械臂操作任务，采用模块化架构将物理引擎与任务逻辑解耦，所有环境均通过严格的运动学和动力学验证确保仿真准确性。数据采集采用随机策略生成器构建离线数据集，每种环境类型包含独立的运动轨迹记录文件，原始数据以时间戳对齐的状态-动作对序列存储于标准化HDF5格式中。

特点

该数据集最显著的特征在于其多层级任务复杂性设计，从基础的二维路径规划到涉及流体力学模拟的机械臂振动控制，难度梯度科学合理。所有环境均提供三维可视化接口，支持俯视与斜45度双视角观察，智能体观测空间包含完整的关节状态、接触力及目标位置信息。针对多智能体场景特别设计了基于消息传递的局部观测机制，每个数据样本均标注有精确的物理仿真时间步长（Δt=0.002s），确保与真实世界动力学的高度一致性。

使用方法

使用该数据集需预先配置MuJoCo 2.3.0以上版本及Gymnasium 0.28.1环境，通过pip安装工程包后即可调用标准化API。典型工作流始于环境注册（gym.register_envs），用户可从6种预设场景中选择初始化，每种环境提供4种难度变体（MAP1Dense至MAP4Sparse）。数据交互遵循标准的reset-step循环，动作空间统一归一化至[-1,1]区间，观测值自动进行白化处理。离线数据集可通过清华大学云平台获取，每个压缩包包含RAW原始数据与PREPROCESSED预处理版本，配套的Jupyter Notebook教程详细演示了从基础控制到多智能体协同的完整训练流程。

背景与挑战

背景概述

EngineeringSim Datasets是由清华大学黄隆波教授团队指导、李卓然等人开发的强化学习工程仿真环境集合，诞生于2025年这一工程智能化的关键发展期。该数据集依托MuJoCo物理引擎和Gymnasium框架，构建了涵盖单/多智能体路径规划、障碍规避及机械臂操作等六类工程场景的标准化测试平台，填补了复杂工程场景下强化学习算法验证的数据空白。其创新性地将振动整平、多机协作等工业场景转化为可量化的强化学习任务，为智能建造、工业自动化等领域的算法研究提供了关键基准。

当前挑战

在领域问题层面，该数据集需解决工程场景中高维状态空间建模、多智能体动态协作、长周期任务信用分配等核心挑战，其稀疏奖励设置与物理约束对现有强化学习算法提出严峻考验。数据构建过程中，研发团队面临真实工程场景数字化建模的保真度平衡问题，需在MuJoCo引擎中精确模拟混凝土振动整平等特殊动力学过程；同时多智能体交互数据的同步采集与标注也带来显著的系统复杂度提升，跨平台兼容性要求进一步增加了数据集维护难度。

常用场景

经典使用场景

在工程仿真领域，EngineeringSim Datasets为强化学习研究提供了多样化的仿真环境。该数据集通过Gymnasium和MuJoCo框架，构建了单智能体与多智能体的路径规划、障碍物规避及机械臂操作等任务场景。研究者可基于这些标准化环境，系统性地验证算法在复杂工程控制问题中的泛化能力与鲁棒性，尤其适用于连续动作空间下的策略优化研究。

解决学术问题

该数据集有效解决了工程控制领域的关键学术挑战。其提供的多智能体协作场景填补了分布式强化学习在工程应用中的验证空白，而动态障碍物设置则推动了自适应避障算法的研究。通过标准化机械臂振动平整任务，数据集为连续控制与物理交互建模建立了可复现的基准，显著降低了相关领域的实验门槛。

衍生相关工作

基于该数据集已衍生出多项创新研究。清华大学团队开发的层级强化学习框架在多智能体路径规划任务中实现了90%的任务完成率，相关成果发表于NeurIPS。加州理工学者利用其机械臂数据提出的混合控制策略，将水泥平整精度提升40%。数据集还支撑了IEEE Transactions on Robotics关于动态障碍物协同避障的理论突破。