本文内容参考：
Getting Started With OpenAI Gym | Paperspace Blog，
【强化学习】 OpenAI Gym入门：基础组件（Getting Started With OpenAI Gym: The Basic Building Blocks）_iioSnail的博客-CSDN博客
3. 环境（Environments）
Environment是Gym最核心的一个概念，OpenAI Gym的基本构建块是Env类。它是一个Python类，基本上实现了一个模拟器，该模拟器运行你希望在其中培训智能体的环境。OpenAI Gym有很多环境，一个Environment可以理解为一个游戏，比如你可以把车开到山上、平衡摆动的钟摆、在雅达利游戏中得分，等等。Gym也为你提供了创建自定义环境的能力。
我们从一个名为MountainCar的环境开始，目标是将车开到山顶上。车在一条一维的轨道上，位于两座“山”之间，目标是将车开到右边的山顶上。然而，这辆车的发动机不足以一次翻过这座山，因此，成功的唯一途径是来回推动以建立动量。
The goal of the Mountain Car Environment is to gain momentum and reach the flag.
这个让小车到达山顶就是一个简单的游戏。你可以通过一个如下代码来加载该Environment：
import gym
env = gym.make('MountainCar-v0')其返回的是一个Env对象。
环境的基本结构由Gym Env类的observation_space和action_space属性描述。observation_space定义了环境状态观测的结构和合法值。对于不同的环境，观察可以是不同的事物。最常见的形式是游戏的屏幕截图。也可以有其它形式的观测，例如以矢量形式描述的环境的某些特征。
类似地，Env类还定义了一个名为action_space的属性，该属性描述了可以应用于环境的合法操作的数字结构。
- Action
Action就是Agent可以做出的动作，通常分为离散和连续两种。
- Observation
游戏Observation的状态。
通过以下命令查看env对象的observation_space和action_space属性值：
# Observation and action space
obs_space = env.observation_space
action_space = env.action_space
print("The observation space: {}".format(obs_space))
print("The action space: {}".format(action_space))结果如下：
The observation space: Box(2,)
The action space: Discrete(3)Observation Shape为(2, ) 表示该Environment的Observation是一个2维向量；Discrete(3)表示该Agent可以做3种不同的动作。
对mountain car环境的Observation是一个表示速度和位置的两个数字的矢量。以两山的中点为原点，右为正方向，左为负方向。
Observation空间和Action空间分别由称为Box和Discrete的类表示。这些是Gym提供的多种数据结构之一，用于实现不同场景（离散动作空间、连续动作空间等）的观察和动作空间。
我们将在后续文章进一步探讨这些问题。
