当前位置： 首页 > ai >正文

【habitat学习一】Habitat-Lab 配置键文档详解（CONFIG_KEYS.md）

ai 2025/8/20 20:11:00

该文件是 Habitat-Lab（Facebook Research 开发的 Embodied AI 模拟框架）的核心配置文档，详细定义了 Habitat 配置系统（基于 OmegaConf）中所有可配置参数的层级结构、默认值、取值范围及功能说明。以下内容严格按文件结构展开，覆盖所有细节，包括顶级键（Top-Level Keys）、嵌套子键（Nested Keys）、条件依赖（Conditional Dependencies）、默认值、取值范围及实际用例。

1. 文档概述

  • 目的：提供 Habitat 配置系统的完整参考，用于定义任务（Task）、环境（Environment）、模拟器（Simulator）、训练器（Trainer）等模块的参数。
  • 配置格式：YAML 文件，通过 BASE_TASK_CONFIG_PATH 继承基础配置，并支持动态覆盖。
  • 关键特性：
    • 层级化结构：配置键按功能模块分层（如 SIMULATOR.AGENT_0.SENSORS）。
    • 条件依赖：某些键仅在特定父键启用时有效（如 DEPTH_SENSOR 仅在 SENSORS 包含 "DepthSensor" 时生效）。
    • 默认值：所有键均提供默认值，但部分关键键（如 BASE_TASK_CONFIG_PATH）必须显式指定。

2. 顶级配置键（Top-Level Keys）

2.1 BASE_TASK_CONFIG_PATH

  • 描述：指定基础任务配置文件的路径，作为当前配置的起点。
  • 默认值："configs/tasks/pointnav.yaml"
  • 必需性：必须提供（无默认值时会报错）。
  • 取值范围：
    • 预定义任务配置：pointnav.yaml（点目标导航）、objectnav.yaml（目标导向导航）、rearrange.yaml（物体重排）。
    • 自定义路径：需指向有效的 YAML 配置文件（如 "my_config.yaml"）。
  • 示例：
    BASE_TASK_CONFIG_PATH: "configs/tasks/objectnav.yaml"

2.2 TRAINER

定义训练流程的核心参数。

2.2.1 TRAINER.NUM_UPDATES
  • 描述：训练过程中总更新次数（每个更新对应一个批次的梯度更新）。
  • 默认值：10000
  • 取值范围：正整数（>0）。
  • 依赖：需与 TRAINER.LOG_INTERVAL 和 TRAINER.CHECKPOINT_INTERVAL 协调。
2.2.2 TRAINER.LOG_INTERVAL
  • 描述：每多少次更新记录一次日志（控制控制台输出频率）。
  • 默认值：10
  • 取值范围：正整数（>0）。
2.2.3 TRAINER.CHECKPOINT_INTERVAL
  • 描述：每多少次更新保存一次模型检查点。
  • 默认值：50
  • 取值范围：正整数（>0）。
2.2.4 TRAINER.BATCH_SIZE
  • 描述：每个训练批次的样本数。
  • 默认值：2
  • 取值范围：正整数（>0）。
  • 硬件依赖：受 GPU 内存限制（增大需更高显存）。
2.2.5 TRAINER.LR
  • 描述：优化器的学习率。
  • 默认值：0.001
  • 取值范围：浮点数（>0）。
  • 典型值：1e-4（小规模任务）、5e-3（大规模预训练）。
2.2.6 TRAINER.OPTIMIZER
  • 描述：优化器类型。
  • 默认值："ADAM"
  • 取值范围："ADAM", "SGD", "ADAMW"。
  • 扩展配置：
    • 若使用 SGD，需额外指定 TRAINER.MOMENTUM（默认 0.9）。
2.2.7 TRAINER.USE_SYNC_BATCH_NORM
  • 描述：是否在分布式训练中使用同步批归一化。
  • 默认值：False
  • 取值范围：True, False。
  • 依赖：仅在多 GPU 训练时生效。

2.3 TASK

定义智能体需完成的任务类型及评估指标。

2.3.1 TASK.TYPE
  • 描述：任务类型标识符。
  • 默认值："Nav-v0"（导航任务）
  • 取值范围：
    • "Nav-v0"：通用导航任务。
    • "PointNav-v1"：点目标导航（目标位置为 (x, y, z) 坐标）。
    • "ObjectNav-v1"：目标导向导航（目标为语义对象类别）。
    • "Rearrange-v0"：物体重排任务（如移动物体到指定位置）。
2.3.2 TASK.SUCCESS_DISTANCE
  • 描述：判定任务成功的最大允许距离（单位：米）。
  • 默认值：0.2
  • 取值范围：浮点数（>0）。
  • 任务依赖：仅 PointNav 和 ObjectNav 有效。
2.3.3 TASK.MEASUREMENTS
  • 描述：任务评估指标列表。
  • 默认值：["distance_to_goal", "success", "spl"]
  • 取值范围：
    • "distance_to_goal"：智能体到目标的欧氏距离。
    • "success"：是否在 SUCCESS_DISTANCE 内到达目标（二值指标）。
    • "spl"：标准化路径长度（Success weighted by Path Length）。
    • "top_down_map"：生成自上而下的轨迹地图（需额外渲染）。
    • "collisions"：记录碰撞次数（依赖 ENVIRONMENT.ENABLE_COLLISION）。
2.3.4 TASK.SENSORS
  • 描述：任务依赖的传感器列表（注意：实际传感器配置在 SIMULATOR.AGENT_0.SENSORS 中定义）。
  • 默认值：[]（空列表）
  • 取值范围：传感器类名（如 "RgbSensor", "DepthSensor"）。
  • 关键点：此处仅声明传感器类型，具体参数需在 SIMULATOR 中配置。

2.4 ENVIRONMENT

定义环境运行时的行为约束。

2.4.1 ENVIRONMENT.MAX_EPISODES
  • 描述：单次实验的最大 episode 数。
  • 默认值：-1（无限）
  • 取值范围：整数（-1 表示无限，>0 为有限值）。
2.4.2 ENVIRONMENT.MAX_EPISODE_SECONDS
  • 描述：单个 episode 的最大运行时间（秒）。
  • 默认值：300
  • 取值范围：正整数（>0）。
2.4.3 ENVIRONMENT.MAX_EPISODE_STEPS
  • 描述：单个 episode 的最大步数。
  • 默认值：500
  • 取值范围：正整数（>0）。
2.4.4 ENVIRONMENT.ENABLE_COLLISION
  • 描述：是否启用碰撞检测。
  • 默认值：True
  • 取值范围：True, False。
  • 依赖：若启用，TASK.MEASUREMENTS 中的 "collisions" 才会记录数据。

2.5 SIMULATOR

定义模拟器及智能体的传感器、场景等参数。

2.5.1 SIMULATOR.SCENE
  • 描述：加载的 3D 场景文件路径。
  • 默认值："data/scene_datasets/habitat-test-scenes/van-gogh-room.glb"
  • 取值范围：有效的 .glb 或 .basis 场景文件路径。
  • 依赖：需与 DATASET.CONTENT_SCENES 匹配。
2.5.2 SIMULATOR.AGENT_0

智能体 0 的配置（支持多智能体，但默认仅 AGENT_0）。

2.5.2.1 SIMULATOR.AGENT_0.SENSORS
  • 描述：智能体搭载的传感器列表。
  • 默认值：["RgbSensor"]
  • 取值范围：
    • "RgbSensor"：RGB 相机。
    • "DepthSensor"：深度相机。
    • "SemanticSensor"：语义分割相机（需场景含语义标注）。
    • "EquirectangularSensor"：等距长方体投影传感器（全景相机）。
2.5.2.2 SIMULATOR.AGENT_0.HEIGHT & WIDTH
  • 描述：传感器输出图像的高度和宽度（像素）。
  • 默认值：HEIGHT=224, WIDTH=224
  • 取值范围：正整数（>0）。
  • 约束：若启用 SemanticSensor，需确保场景有对应分辨率的语义标注。
2.5.2.3 SIMULATOR.AGENT_0.ROTATION
  • 描述：智能体初始朝向（四元数 [x, y, z, w]）。
  • 默认值：[0, 0, 0, 1]（朝向正前方）
  • 取值范围：有效四元数。
2.5.3 SIMULATOR.HABITAT_SIM_V0

Habitat-Sim 的底层参数。

2.5.3.1 SIMULATOR.HABITAT_SIM_V0.GPU_DEVICE_ID
  • 描述：用于渲染的 GPU 设备 ID。
  • 默认值：0
  • 取值范围：非负整数（需与系统 GPU 数量匹配）。
2.5.3.2 SIMULATOR.HABITAT_SIM_V0.ALLOW_SLIDING
  • 描述：是否允许智能体在斜坡上滑动。
  • 默认值：True
  • 取值范围：True, False。

2.6 DATASET

定义数据集来源及划分。

2.6.1 DATASET.TYPE
  • 描述：数据集类型标识符。
  • 默认值："PointNav-v1"
  • 取值范围：
    • "PointNav-v1"：点目标导航数据集。
    • "ObjectNav-v1"：目标导向导航数据集。
    • "RearrangeDataset-v0"：物体重排数据集。
2.6.2 DATASET.SPLIT
  • 描述：数据集划分（训练/验证/测试）。
  • 默认值："train"
  • 取值范围："train", "val", "test"。
2.6.3 DATASET.CONTENT_SCENES
  • 描述：加载的场景列表。
  • 默认值：["*"]（加载所有场景）
  • 取值范围：
    • ["*"]：通配符加载全部。
    • ["scene_01", "scene_02"]：指定场景列表。
    • []：不加载任何场景（需手动指定 SIMULATOR.SCENE）。
2.6.4 DATASET.DATA_PATH
  • 描述：数据集文件的路径模板。
  • 默认值："data/datasets/pointnav/habitat-test-scenes/v1/{split}/{split}.json.gz"
  • 格式要求：必须包含 {split} 占位符（自动替换为 DATASET.SPLIT）。

2.7 CHECKPOINT

检查点管理参数。

2.7.1 CHECKPOINT.CHECKPOINT_FOLDER
  • 描述：检查点保存目录。
  • 默认值："data/checkpoints"
  • 取值范围：有效的文件系统路径。
2.7.2 CHECKPOINT.NUM_CHECKPOINTS
  • 描述：保留的检查点最大数量。
  • 默认值：50
  • 取值范围：正整数（>0）。
  • 行为：超出数量时自动删除最旧的检查点。

2.8 VIDEO_OPTION

视频记录配置。

2.8.1 VIDEO_OPTION
  • 描述：启用的视频记录选项。
  • 默认值：[]（空列表）
  • 取值范围：
    • "disk"：保存视频到磁盘。
    • "tensorboard"：将视频写入 TensorBoard。
    • "wandb"：将视频上传至 Weights & Biases。
2.8.2 VIDEO_DIR
  • 描述：视频保存目录。
  • 默认值："data/videos"
  • 依赖：仅当 VIDEO_OPTION 包含 "disk" 时生效。

2.9 其他关键键

2.9.1 TORCH_GPU_ID
  • 描述：PyTorch 使用的 GPU ID。
  • 默认值：0
  • 取值范围：非负整数。
  • 与 SIMULATOR.HABITAT_SIM_V0.GPU_DEVICE_ID 区别：
    • TORCH_GPU_ID：控制神经网络计算的 GPU。
    • SIMULATOR.HABITAT_SIM_V0.GPU_DEVICE_ID：控制场景渲染的 GPU。
    • 推荐设置：两者使用同一 GPU 以避免数据传输开销。
2.9.2 VERBOSE
  • 描述：是否启用详细日志输出。
  • 默认值：False
  • 取值范围：True, False。
  • 效果：设为 True 时打印调试信息（如传感器初始化细节）。
2.9.3 EVAL_CKPT_PATH_DIR
  • 描述：评估时加载的检查点路径。
  • 默认值：""（空字符串）
  • 用例：指定后跳过训练，直接加载模型进行评估。
  • 示例：
    EVAL_CKPT_PATH_DIR: "data/checkpoints/experiment1/ckpt.100.pth"

3. 配置继承与覆盖机制

  • 继承链：BASE_TASK_CONFIG_PATH → 主配置文件 → 命令行覆盖。
  • 覆盖示例：
    python run.py --exp-config=config.yaml TASK.SUCCESS_DISTANCE=0.1 TRAINER.BATCH_SIZE=4
  • 条件覆盖：仅当父键存在时，子键覆盖才生效（如 SIMULATOR.AGENT_0.SENSORS 必须先存在才能修改 HEIGHT）。

4. 典型配置文件结构示例

BASE_TASK_CONFIG_PATH: "configs/tasks/pointnav.yaml"
TRAINER:NUM_UPDATES: 20000BATCH_SIZE: 4LR: 0.0003
TASK:SUCCESS_DISTANCE: 0.1MEASUREMENTS: ["distance_to_goal", "success", "spl", "top_down_map"]
SIMULATOR:AGENT_0:SENSORS: ["RgbSensor", "DepthSensor"]HEIGHT: 256WIDTH: 256HABITAT_SIM_V0:GPU_DEVICE_ID: 0
DATASET:SPLIT: "val"
VIDEO_OPTION: ["disk", "tensorboard"]

5. 注意事项与最佳实践

  1. 传感器一致性：
    • 若 TASK.SENSORS 包含 "DepthSensor"，必须确保 SIMULATOR.AGENT_0.SENSORS 也包含 "DepthSensor"，否则任务会失败。
  2. 内存优化：
    • 增大 TRAINER.BATCH_SIZE 时，需同步调整 SIMULATOR.AGENT_0.HEIGHT/WIDTH 避免 OOM。
  3. 分布式训练：
    • 启用 TRAINER.USE_SYNC_BATCH_NORM 时，需通过 torch.distributed 启动多进程训练。
  4. 调试技巧：
    • 设置 VERBOSE: True 并检查 SIMULATOR 初始化日志，确认场景和传感器加载正确。
  5. 版本兼容性：
    • 配置键可能随 Habitat-Lab 版本变化，需参考对应 Git 提交的文档（本文件对应 main 分支最新提交）。

6. 与 Habitat 生态的关联

  • Habitat-Sim：SIMULATOR 键直接调用 Habitat-Sim 的 C++ 后端。
  • Habitat-Baselines：TRAINER 键与 habitat-baselines 的 RL 训练器深度集成。
  • 数据集格式：DATASET.DATA_PATH 需匹配 Habitat Challenge 官方数据集结构。

7. 配置系统中所有关键配置项的逐字逐句中文详解**

配置键（Configuration Keys）

数据集（Dataset）

定义：任务所需的数据集配置。数据集由两部分组成：

  • 片段（Episodes）：场景中任务的起始配置（如机器人初始位置、目标位置）。
  • 场景数据集（Scene Dataset）：实例化任务所需的所有资产（3D模型、材质等）。

可用数据集列表见官方文档。

配置键详细说明
habitat.dataset.type数据集类的注册键。决定任务类型：
• PointNav-v1：点导航任务
• ObjectNav-v1：物体导航任务
• InstanceImageNav-v1：实例图像导航任务
• RearrangeDataset-v0：重排任务
注意：不同数据集有不同属性，需按任务选择。
habitat.dataset.scene_dir场景文件目录路径。所有场景文件（.glb/.basis等）必须存放在同一目录（如 data/scene_datasets）。若路径分散需修改此值。
habitat.dataset.data_path片段数据集路径。JSON/GZ文件路径，需满足：
1. 与 type 参数兼容（否则无法加载）
2. 仅引用 scene_dir 中存在的场景。
habitat.dataset.split数据集分割标识。路径中可包含 {split} 占位符（如 "data/datasets/pointnav/habitat-test-scenes/v1/{split}/{split}.json.gz"）。
• 作用：替换 {split} 为实际值（如 train/val/test），实现训练/验证/测试集的快速切换。
• 示例：设 split="val"，则路径自动解析为 .../v1/val/val.json.gz。
任务（Task）

定义：Habitat中任务的定义，由 habitat.task.type 决定任务类型：

任务类型功能描述
点导航（PointNav） Nav-v0代理需导航至几何坐标目标点。
图像导航（ImageNav） Nav-v0代理需导航至匹配目标图像类型的物体。
实例图像导航（InstanceImageNav） v1代理需导航至当前场景中匹配目标图像的物体实例。
物体导航（ObjectNav） v1代理需导航至由类别ID指定的物体（如“椅子”）。
重排-关闭抽屉（RearrangeCloseDrawer） v0代理需关闭厨房抽屉。
重排-打开抽屉（RearrangeOpenDrawer） v0代理需打开厨房抽屉。
重排-关闭冰箱（RearrangeCloseFridge） v0代理需关闭厨房冰箱。
重排-打开冰箱（RearrangeOpenFridge） v0代理需打开厨房冰箱。
重排-导航至物体（NavToObj） v0代理需导航至已知几何位置的物体。
重排-抓取（RearrangePick） v0代理需从给定几何坐标抓取特定物体。
重排-放置（RearrangePlace） v0代理需将抓取的物体放置到指定坐标。
重排-空任务（RearrangeEmpty） v0代理无需执行动作（用于调试）。
重排-触达（RearrangeReach） v0代理需将末端执行器移动至指定几何坐标。
重排-复合任务（RearrangePddl） v0代理需按PDDL规划执行子任务序列。
配置键详细说明
habitat.task.type任务类型的注册键（如 InstanceImageNav-v1）。
habitat.task.physics_target_sps物理模拟更新速率。每秒物理更新次数 = 1 / physics_target_sps。
• 值越大：物理更新越精细（计算开销更高）。
• 默认值：通常为 60（每秒60次更新）。
habitat.task.reward_measure奖励对应的测量量名称。
• 必须是 habitat.task.measurements 中定义的测量量键名。
• 示例：
- 导航任务：distance_to_goal_reward（基于目标距离的奖励）
- 重排放置任务：place_reward（放置成功奖励）。
habitat.task.success_measure成功判定的测量量名称。
• 必须是 habitat.task.measurements 中定义的测量量键名。
• 判定逻辑：若该测量量值 ≠ 0，则片段成功。
habitat.task.end_on_success成功后是否结束片段：
• True：成功后立即结束片段。
• False：片段继续运行（用于分层学习，需代理显式切换策略）。
habitat.task.task_spec仅限 RearrangePddlTask-v0：
• 指定 PDDL规划文件名（如 "pick_place.pddl"）。
• 注意：PDDL文件格式官方未公开文档。
habitat.task.task_spec_base_path仅限 RearrangePddlTask-v0：
• PDDL文件的相对搜索路径（如 "data/pddl"）。
habitat.task.spawn_max_dists_to_obj仅限 RearrangePickTask-v0：
• 代理最大生成距离：机器人初始位置与目标物体的最大距离（米）。
habitat.task.base_angle_noise仅限重排任务：
• 机器人基座旋转角度的噪声标准差（弧度）。
• 作用：在片段开始时为基座朝向添加高斯噪声。
habitat.task.base_noise仅限重排任务：
• 机器人基座位置的噪声标准差（米）。
• 作用：在片段开始时为基座位置添加高斯噪声。
视觉代理（Visual Agents）

定义：预定义的传感器组合，用于快速配置视觉观测空间。所有代理默认相机分辨率为 256×256。
使用方法：在配置文件的 defaults 列表中添加：

defaults:- /habitat/simulator/agents@habitat.simulator.agents.main_agent: <代理键名>
代理键名传感器配置
depth_head_agent头部安装的单深度相机。
rgb_head_agent头部安装的单RGB相机。
rgbd_head_rgbd_arm_agent头部和机械臂各安装RGB+深度相机（共4个相机）。
环境（Environment）
配置键详细说明
habitat.environment.max_episode_steps片段最大步数。达到此步数后片段自动结束。
habitat.environment.max_episode_seconds片段最大真实时间（秒）。超时后片段自动结束。
离散导航动作（Discrete Navigation Actions）

定义：代理通过动作影响环境。动作定义在 habitat.task.actions 字典中。
添加方法：在 defaults 列表中指定动作：

defaults:- /habitat/task/actions:- move_forward- turn_left
配置键详细说明
habitat.task.actions.stop仅限导航任务：
• 离散动作，请求停止导航。
• 关键作用：成功判定需满足：
(1) 调用此动作 + (2) 距离目标 ≤ success_distance。
• 注意：与重排任务的 RearrangeStopAction 不同。
habitat.task.actions.empty仅限导航任务：
• 空动作（代理不执行任何操作）。
habitat.task.actions.move_forward仅限导航任务：
• 向前移动固定距离。
• 移动距离 = habitat.simulator.forward_step_size（默认0.25米）。
habitat.task.actions.turn_left仅限导航任务：
• 向左旋转固定角度。
• 旋转角度 = habitat.simulator.turn_angle（默认10度）。
habitat.task.actions.turn_right仅限导航任务：
• 向右旋转固定角度（同 turn_left 的角度值）。
habitat.task.actions.look_up仅限导航任务：
• 相机向上旋转固定角度。
• 旋转角度 = tilt_angle（默认15度）。
habitat.task.actions.look_down仅限导航任务：
• 相机向下旋转固定角度（同 look_up 的角度值）。

重要区别：导航任务使用离散动作，重排任务使用连续动作。

导航测量量（Navigation Measures）

定义：非传感器数据的环境状态度量（可包含特权信息或训练信号）。
添加方法：

defaults:- /habitat/task/measurements:- articulated_agent_force- force_terminate
配置键详细说明
habitat.task.measurements.num_steps步数计数器：
• 导航和重排任务通用。
• 记录片段开始后的累计步数。
habitat.task.measurements.distance_to_goal仅限导航任务：
• 计算到目标的测地距离（沿表面的最短路径）。
• 子参数：
distance_to_goal.distance_to：
- POINT：到最近目标点的距离
- VIEW_POINTS：到目标视点的距离（用于图像导航）。
habitat.task.measurements.success仅限导航任务：
• 成功标志：1.0（成功）或 0.0（失败）。
• 成功条件：
(1) 调用 stop 动作 + (2) 距离目标 ≤ success_distance。
• 子参数：
success.success_distance：成功判定的最大距离（默认0.1米）。
habitat.task.measurements.spl仅限导航任务：
• SPL指标（Success weighted by Path Length）：
SPL = success * (最优路径长度 / 代理实际路径长度)
• 特点：仅在成功时非零，最大值为1.0。
habitat.task.measurements.soft_spl仅限导航任务：
• Soft SPL指标：
SoftSPL = max(0, 1 - (当前距离/最优距离)) * (最优路径长度/实际路径长度)
• 特点：即使未成功也返回部分值。
habitat.task.measurements.distance_to_goal_reward仅限导航任务：
• 距离奖励：
reward = -(新距离 - 旧距离)
• 含义：距离减少时奖励为正（鼓励靠近目标）。
实验室传感器（Navigation Lab Sensors）

定义：非渲染型传感器（提供几何目标等信息）。
添加方法：

defaults:- /habitat/task/lab_sensors:- objectgoal_sensor- compass_sensor
配置键详细说明
habitat.task.lab_sensors.objectgoal_sensor仅限物体导航任务：
• 输出离散目标ID（如“椅子”=0，“桌子”=1）。
• 子参数：
goal_spec：
- TASK_CATEGORY_ID：输出 episode.object_category 的ID
- OBJECT_ID：输出第一个目标物体的ID
goal_spec_max_val：
- 仅当 goal_spec=OBJECT_ID 时有效
- 表示可能的目标物体总数（必须 ≥ 最大目标ID）。
habitat.task.lab_sensors.instance_imagegoal_sensor仅限实例图像导航任务：
• 输出目标物体在场景中的渲染图像。
habitat.task.lab_sensors.instance_imagegoal_hfov_sensor仅限实例图像导航任务：
• 输出目标图像的水平视场角（HFOV）（单位：度）。
habitat.task.lab_sensors.compass_sensor仅限导航任务：
• 输出机器人朝向偏差（弧度）：
当前朝向 - 初始朝向（绕垂直轴）。
habitat.task.lab_sensors.gps_sensor仅限导航任务：
• 输出位置偏移向量（2个浮点数）：
(当前X - 初始X, 当前Y - 初始Y)（单位：米）。
habitat.task.lab_sensors.pointgoal_with_gps_compass_sensor仅限导航任务：
• 输出目标点在机器人坐标系中的位置（相对坐标）。
连续重排动作（Continuous Rearrangement Actions）
配置键详细说明
habitat.task.actions.arm_action仅限重排任务：
• 机械臂关节控制：
动作 = 每个关节的角度增量（弧度）。
• 子参数：
grasp_thresh_dist：
- MagicGrasp控制器的抓取阈值（单位：米）
- 仅当末端执行器与物体距离 ≤ 此值时触发抓取
grip_controller：
- None：无法抓取物体
- MagicGraspAction：距离 ≤ grasp_thresh_dist 时抓取
- SuctionGraspAction：需物体与末端执行器物理接触才抓取。
habitat.task.actions.base_velocity仅限重排任务：
• 基座速度控制（2个连续动作）：
[前进速度, 旋转速度]
• 范围：通常为 [-1.0, 1.0]。
habitat.task.actions.rearrange_stop仅限重排任务：
• 调用后立即结束任务。
habitat.task.actions.oracle_nav_action仅限重排任务：
• 导航Oracle动作：
输入 = PDDL域中的物体ID
输出 = Oracle计算的导航动作序列。
重排传感器（Rearrangement Sensors）
配置键详细说明
habitat.task.lab_sensors.relative_resting_pos_sensor仅限重排任务：
• 输出末端执行器休息位置的相对坐标（3个浮点数）：
(x, y, z) = 休息位置在末端执行器坐标系中的偏移。
• 休息位置由 habitat.task.desired_resting_position 定义。
habitat.task.lab_sensors.is_holding_sensor仅限重排任务：
• 输出抓取状态：
1.0 = 正在抓取物体，0.0 = 未抓取。
habitat.task.lab_sensors.end_effector_sensor仅限重排任务：
• 输出末端执行器在基座坐标系中的位置（3个浮点数）。
habitat.task.lab_sensors.joint_sensor仅限重排任务：
• 输出所有关节的当前角度（向量）。
habitat.task.lab_sensors.goal_sensor仅限重排任务：
• 输出末端执行器到目标放置点的相对位置（3个浮点数）。
habitat.task.lab_sensors.target_start_gps_compass_sensor仅限复合重排任务：
• 输出所有需重排物体的初始位置（相对机器人起点）：
(距离, 水平角度)（2D极坐标）。
habitat.task.lab_sensors.target_goal_gps_compass_sensor仅限复合重排任务：
• 输出所有需重排物体的目标位置（相对机器人起点）：
(距离, 水平角度)（2D极坐标）。
重排测量量（Rearrangement Measures）
配置键详细说明
habitat.task.measurements.end_effector_to_rest_distance仅限重排任务：
• 末端执行器到休息位置的距离。
• 前提：必须启用 relative_resting_pos_sensor。
habitat.task.measurements.articulated_agent_force仅限重排任务：
• 机器人施加的力（牛顿）：
- 瞬时力（当前步）
- 累积力（整个片段）。
habitat.task.measurements.does_want_terminate仅限重排任务：
• 输出 1.0（调用 rearrange_stop）或 0.0（未调用）。
habitat.task.measurements.force_terminate仅限重排任务：
• 力触发终止标志：
1.0 = 力超阈值（任务终止），0.0 = 正常。
• 子参数：
max_accum_force：累积力阈值（-1 = 无限制）
max_instant_force：瞬时力阈值（-1 = 无限制）。
habitat.task.measurements.object_to_goal_distance仅限重排任务：
• 目标物体到目标位置的距离。
habitat.task.measurements.obj_at_goal仅限重排任务：
• 物体是否到位（字典）：
key=物体索引, value=1.0（到位）或 0.0（未到位）
• 子参数：
succ_thresh：到位判定阈值（默认0.05米）。
habitat.task.measurements.art_obj_at_desired_state仅限开/关容器任务：
• 关节状态是否符合目标：
1.0 = 冰箱/柜门处于任务要求状态（开/关）。
habitat.task.measurements.rot_dist_to_goal仅限重排导航任务：
• 机器人朝向与目标方向的夹角（弧度）。
habitat.task.measurements.composite_stage_goals仅限复合重排任务：
• 子任务阶段完成标志：
1.0 = 完成PDDL规划中指定的阶段，0.0 = 未完成。
habitat.task.measurements.nav_to_pos_succ仅限重排导航任务：
• 导航成功标志：
1.0 = 机器人距离目标位置 ≤ success_distance。
任务定义的重排测量量（Task-defining Rearrangement Measures）

通过修改以下键自定义任务的成功判定与奖励：

任务类型成功测量量（success_measure）奖励测量量（reward_measure）
重排抓取（RearrangePick）pick_successplace_reward
重排放置（RearrangePlace）place_successplace_reward
开/关关节物体art_obj_successart_obj_reward
重排导航（RearrangeNav）nav_to_obj_successnav_to_obj_reward
PDDL复合重排pddl_composite_successmove_objects_reward

关键逻辑：

  • success_measure 的值 ≠ 0 时判定任务成功。
  • reward_measure 的值直接作为每步奖励。

总结说明

  1. 层级结构：所有配置键严格遵循 habitat.<模块>.<子模块>.<参数> 的嵌套路径（如 habitat.task.measurements.success）。
  2. 任务特异性：
    • 导航任务（PointNav/ObjectNav）使用离散动作和导航专用测量量。
    • 重排任务（Rearrange*）使用连续动作和重排专用传感器/测量量。
  3. 关键机制：
    • 导航成功 = 调用 stop 动作 + 距离目标 ≤ success_distance。
    • 重排成功 = 由 success_measure 指定的测量量非零（如 place_success=1.0）。
  4. 配置方法：
    • 通过 defaults 列表动态注入动作/传感器/测量量（避免硬编码）。
    • 使用预定义视觉代理快速配置观测空间。

以上内容完全覆盖原文所有技术细节，包括：

  • 每个配置键的精确作用域（如“仅限重排任务”）
  • 子参数的完整说明（如 success.success_distance）
  • 关键逻辑的底层实现（如成功判定条件）
  • 配置方法的代码示例（YAML片段）
  • 易混淆概念的区分（如导航 stop vs 重排 rearrange_stop）
http://www.xdnf.cn/news/18166.html

相关文章：

  • 嵌入式开发学习———Linux环境下网络编程学习（三）
  • RAG 面试题（实时更新补充）
  • 学习笔记分享——基于STM32的平衡车项目
  • Ubuntu 和麒麟系统创建新用户 webapp、配置密码、赋予 sudo 权限并禁用 root 的 SSH 登录的详细
  • 【PyTorch】单对象分割项目
  • 八大排序简介
  • Java 11中的Collections类详解
  • 数据结构：二叉树oj练习
  • Kubernetes Pod 控制器
  • 【PyTorch项目实战】OpenNMT本地机器翻译框架 —— 支持本地部署和自定义训练
  • 学习strandsagents的http_request tool
  • 接口性能测试工具 - JMeter
  • IMX6ULL-KERNEL源代码
  • KMM跨平台叛逃实录：SwiftUI与Compose Multiplatform共享ViewModel的混合开发框架（代码复用率85%）
  • RPC高频问题与底层原理剖析
  • 【树莓派】【嵌入式】远程树莓派，解决ping不通问题
  • 应用缓存不止是Redis！——亿级流量系统架构设计系列
  • Windows/Centos 7下搭建Apache服务器
  • Nacos-7--扩展一下：0-RTT和1-RTT怎么理解？
  • Spring Boot 全局异常处理
  • 重置iPhone会删除所有内容吗？ 详细回答
  • 基于WebSocket和SpringBoot聊天项目ChatterBox测试报告
  • 如何用Prometheus和FastAPI打造任务监控的“火眼金睛”？
  • 11.Ansible自动化之-内容集管理
  • 如何理解关系型数据库的ACID?
  • 浅看架构理论（一）
  • 【上升跟庄买入】副图/选股指标，动态黄色线由下向上穿越绿色基准线时，发出买入信号
  • 机器学习深度学习 所需数据的清洗实战案例 （结构清晰、万字解析、完整代码）包括机器学习方法预测缺失值的实践
  • RWA在DeFi中的应用
  • 【计算机视觉】检测与分割详解