Gymnasium中向量环境记录统计信息的Bug分析与修复

在强化学习框架Gymnasium中，RecordEpisodeStatistics包装器是一个常用的工具，它能够自动记录环境中每个episode的长度、奖励等信息。然而，最近发现该包装器在向量环境(vector environment)中存在一个关键的计算错误，导致episode长度统计不准确。

问题现象

当使用RecordEpisodeStatistics包装器时，开发者发现episode长度的统计结果与预期不符。具体表现为：

• 第一个episode的长度计算正确
• 后续所有episode的长度都比实际值多1

例如，在一个最大步数为3的CartPole环境中：

• 第一个episode正确报告长度为3
• 后续episode错误地报告长度为4

技术背景

在Gymnasium框架中，episode长度的计算需要考虑几个关键因素：

1. 向量环境同时运行多个环境实例
2. 每个episode的开始由reset()触发
3. 在旧版API中，最终观察结果不会被返回
4. 新版API改变了这一行为

根本原因

问题源于RecordEpisodeStatistics包装器仍然沿用旧版API的计算逻辑。具体来说：

1. 在旧版API中，episode的最后一个step的观察结果不会被返回，因此长度计算需要额外补偿
2. 在新版API中，这个行为已经改变，所有step的观察结果都会被返回
3. 包装器没有适应这个变化，导致在第一个episode后持续多计1步

解决方案

修复方案需要调整长度计算逻辑：

1. 移除对旧版API的补偿逻辑
2. 确保计算基于实际执行的step数量
3. 正确处理reset()调用不算作step的约定

影响范围

这个bug会影响所有使用向量环境并需要精确统计episode长度的场景，特别是：

• 需要精确计算episode长度的实验
• 依赖episode长度进行超参数调整的算法
• 需要统计环境性能的基准测试

最佳实践

开发者在使用统计包装器时应注意：

1. 明确了解episode长度的定义
2. 验证统计结果是否符合预期
3. 及时更新到修复后的版本
4. 在自定义环境中特别注意reset()和step()的调用关系

总结

这个bug的发现和修复体现了强化学习框架中时间步统计的重要性。精确的episode长度统计对于算法性能评估、超参数调优和实验复现都至关重要。开发者应当充分理解环境包装器的工作原理，并在使用前进行必要的验证测试。