gym是强化学习的库，接口简单，并且提供了更新、状态标识、显示等一系列方便的接口，并可以自主设计各类环境。目前最新版本介绍如下
https://gymnasium.farama.org/
2、简单的使用2.1简单的引入包模块import gymnasium as gym2.2 生成环境make
（1）生成环境通过make方法，简单的例子如下
env = gym.make('FrozenLake-v1',
render_mode='rgb_array',
is_slippery=False)
（2）注意gym有很多例子***
2.3环境初始化reset通过reset可以初始化环境
env.reset()2.4控制对象迭代运行step
（1）控制对象迭代运行的操作为step
state, reward, terminated, truncated, info = self.env.step(action)
注意：step函数是action→observation之间的一个映射函数，通过做出动作action，将获得一个怎样的observation以及相应的reward，并判断是否到达终点状态（terminated），并将相应的信息返回
（2）判断是否结束
over = terminated or truncated2.5step返回的几个函数
（1）state，状态
（2）reward，奖励函数
（3）terminated，是否游戏（失败）结束，结束则为true
（4）truncated，崩溃结束
（5）info，信息
2.6关闭环境close关闭环境的函数如下
env.close()3、FrozenLake-v1游戏的测试3.1 aciton的方向
该游戏中：2向右，1向下，0向左，3向上。如下所示
{0: "←", 1: "↓", 2: "→", 3: "↑"}3.2设定机器人路径并查看输出
（1）编一个程序让机器人手动周一下，查看一下输出
（2）路径随意写，简单例子如下
import gymnasium as gym
from matplotlib import pyplot as plt
def show(env,sleepFlag=True,sleepSpan=2):
plt.figure(figsize=(3, 3))
plt.imshow(env.render())
if sleepFlag:
plt.pause(sleepSpan) # 显示2s
plt.close()
else:
plt.show()
if __name__ == '__main__':
#(1)生成环境
env = gym.make('FrozenLake-v1', render_mode='rgb_array',is_slippery=False)
env.reset()
show(env,sleepFlag=False)
# action 2向右，1向下，0向左，3向上
givenPath = [2,2,2,1]
icount =0
for path in givenPath:
state, reward, terminated, truncated, info = env.step(path)
show(env)
icount = 1
print(f"state: {state},reward: {reward},terminated: {terminated},truncated: {truncated},info: {info}")
3.4测试结果
（1）4步以后得测试结果如下
（2）注意状态变量值的输出：
state: 1,reward: 0.0,terminated: False,truncated: False,info: {'prob': 1.0}
state: 2,reward: 0.0,terminated: False,truncated: False,info: {'prob': 1.0}
state: 3,reward: 0.0,terminated: False,truncated: False,info: {'prob': 1.0}
state: 7,reward: 0.0,terminated: True,truncated: False,info: {'prob': 1.0}
明显，state是坐标，terminate代表是否结束。
