Zum Inhalt

Referenz

Schnelles Nachschlagen für die Flags des SB3-Trainingsskripts, die AIController-API und den ONNX-Export.

Diese Seite dokumentiert den Legacy-Stack godot-rl-agents

Die Units ab RL Essentials nutzen ihn weiterhin. Unit 0 und die Neuronalen Grundlagen verwenden stattdessen godot-native-rl, dessen Node-Namen abweichen (NcnnSync, NcnnAIController2D / 3D) — siehe Setup → Godot-Addon.

Vollständige Referenz

Siehe godot_rl_course_reference.html für die vollständige Plugin-API-Referenz.

Das Trainingsskript — nicht gdrl

Die Flags unten gehören zu stable_baselines3_example.py, das im Repository von godot-rl liegt und nicht Teil der pip-Installation ist. Der installierte Befehl gdrl kennt keines davon: Er trainiert feste 200 000 Schritte und speichert nichts. Upstream hat ihn abgekündigt — beim Aufruf erscheint „This use of gdrl is deprecated and will be removed in version 1.0, please refer to the examples in the github repo."

Hole das Skript einmalig in den Ordner, aus dem du trainierst:

curl -O https://raw.githubusercontent.com/edbeeching/godot_rl_agents/main/examples/stable_baselines3_example.py

Danach lautet jedes Trainingskommando in diesem Kurs:

python stable_baselines3_example.py --experiment_name=mein-lauf --viz

Häufige Trainings-Flags

Flag Standard Beschreibung
--env_path — Exportiertes Godot-Binary. Weglassen, um gegen den Editor zu trainieren (F6)
--experiment_name experiment Name, der in TensorBoard erscheint
--experiment_dir logs/sb3 Zielordner für die TensorBoard-Logs
--viz aus Godot-Fenster während des Trainings anzeigen
--timesteps 1 000 000 Gesamtanzahl der Umgebungsschritte
--speedup 1 Zeitskalenfaktor der Physik
--n_parallel 1 Anzahl paralleler Godot-Instanzen (benötigt --env_path)
--save_model_path — Pfad zum Speichern des trainierten .zip-Modells
--onnx_export_path — Pfad zum Export von .onnx für Godot-Inferenz
--resume_model_path — Von einem gespeicherten Modell aus weitertrainieren
--inference aus Geladenes Modell ausführen statt trainieren
--n_steps 64 Schritte pro Umgebung und Update
--batch_size 64 Minibatch-Größe
--learning_rate 0.0003 Lernrate
--ent_coef 0.0001 Entropie-Koeffizient
--clip_range 0.2 PPO-Clipping-Bereich

AIController-Lebenszyklus

_ready()          → bei Sync-Node registrieren
get_obs() → Array → Beobachtungsvektor (observation) zurückgeben
set_action()      → Aktion empfangen und anwenden
get_reward() → float → skalare Belohnung (reward) zurückgeben
get_done() → bool → Episodenende-Flag zurückgeben

ONNX-Inferenz in Godot

  1. Trainieren und exportieren: --onnx_export_path=brain.onnx
  2. brain.onnx in den Godot-Projektordner kopieren
  3. Sync-Node → Control Mode → Onnx Inference
  4. Sync-Node → Onnx Model Path → Pfad zur .onnx
  5. Szene abspielen — kein Python erforderlich