企业官网建设流程全解析

这阵子折腾强化学习，又把ML-Agents 1.9.1这套东西翻了出来。官方文档里“Creating a New Environment”这一章，看着篇幅不长，真上手才发现里面有大量“文档没写但你一定会遇到”的细节。我自己在Unity 2018和2020两个版本下都跑过一套完整流程，这篇就把从头创建一个新训练环境这件事掰开揉碎讲清楚：从Unity端搭场景、挂组件、写Agent脚本，到训练端配YAML、启动mlagents-learn、看TensorBoard曲线，再到训练失败之后怎么排查。不管你是刚接触ML-Agents的初学者，还是已经跑通官方示例、想换成自己任务场景的老手，这篇应该都能帮你省下不少试错时间。

1. 训练环境到底是个什么东西

1.1 环境、智能体、行为参数三件套

ML-Agents里的“训练环境”和普通Unity游戏场景最大的区别在于，它不是一个只给玩家玩的关卡，而是一个能被强化学习算法反复交互的模拟器。官方文档把环境拆成几个核心部分：物理场景、智能体（Agent）、行为参数（Behavior Parameters）以及（可选的）决策请求器（Decision Requester）。

可以这样理解：物理场景就是“考试场地”，智能体是被考核的学生，行为参数规定了这场考试考什么科目、能交什么样的答案，而决策请求器决定了学生多久被提问一次。训练过程中，Agent通过传感器观察场景状态（CollectObservations），决策器输出动作（OnActionReceived），环境根据动作改变状态并给出奖励（AddReward），当达到终止条件后整段episode结束（EndEpisode），然后重新开始下一轮。这套“观察-决策-奖励-重置”的循环，就是整个ML-Agents训练环境的核心运转方式。

1.2 这套文档对应什么版本，能解决什么问题

这里必须先说清楚版本，不然后面全是坑。这篇文章对应的是ML-Agents 1.9.1，配合Unity 2018到2020的版本使用。ML-Agents从1.0开始API变化很大，很多网上老教程用的还是0.x的写法，比如CollectObservations还是接收List 这种早就不推荐了。如果你用的是1.9.1，网上搜到的大部分旧教程会把你带偏，所以认准版本来读。

这一章文档解决的实际问题是：你不想再跑官方自带的示例环境和预训练模型，而是想把自己项目里的某个场景变成训练环境。比如让一个角色学会走到目标点、让一个机械臂学会抓取、让一个NPC学会躲避障碍。文档给出的完整路径是：先准备好Unity场景和物理组件，然后给智能体挂上ML-Agents组件，再写一个继承自Agent类的C#脚本，最后用Python端配置训练器并开始训练。下面我们就按这个路径一步步来。

2. 动手前的准备：版本选择与项目初始化

2.1 Unity版本与包安装方式

官方明确ML-Agents 1.9.1支持Unity 2018.4以上的版本，我实测下来Unity 2019.4 LTS和2020.3 LTS最省心，2018.4也能跑但有些新特性用不了。建议直接用2020.3或2019.4，别贪新版本，ML-Agents对Unity新版本的适配往往有滞后。

安装方式我推荐用Package Manager通过Git URL导入，因为这样版本最干净，升级降级都方便。操作路径是：打开Unity项目，进入Window -> Package Manager，点击左上角“+”，选择“Add package from git URL...”，输入：

com.unity.ml-agents

如果要锁定1.9.1，可以用带tag的地址。安装完成后，Unity会自动拉取依赖。注意：这里有个经常踩的坑，如果你之前从Asset Store导入过老版ML-Agents，先彻底删除老的文件夹再装新的，否则会出现两个命名空间同时存在，编译直接报错。

安装完确认一下：菜单栏应该出现ML-Agents相关的选项，Project窗口里Packages下能看到com.unity.ml-agents。同时建议把示例项目也装上（官方叫“ML-Agents Examples”或单独下载的示例包），后面调试脚本时可以对照着看。

2.2 Python训练端准备：虚拟环境与包安装

Unity端只是“环境模拟器”，真正做强化学习训练的是Python端。ML-Agents 1.9.1对应的Python包版本是mlagents 0.28.0，这里版本对应非常重要：Unity包和Python包的版本必须匹配，否则握手阶段就会报错。

我建议务必用虚拟环境，不要直接装到系统Python里，因为ML-Agents对依赖版本很挑剔，后续你还可能要装TensorFlow或者其他深度学习库，很容易搞乱。按下面这套操作：

python -m venv venv source venv/bin/activate # Windows下执行 venv\Scripts\activate pip install mlagents==0.28.0

安装完成后，验证一下：

mlagents-learn --help

如果能正常打印帮助信息，说明Python端就绪了。这里有个小检查点：mlagents-learn命令在1.9.1这个版本属于新的Python包命令行入口，老教程里的“mlagents-learn config/trainer_config.yaml --train”依然有效，但内部参数和输出格式有变化，别直接用老配置文件，后面我会给出适配1.9.1的新写法。

2.3 Unity项目设置：四件必须做的事

环境跑不起来，很多时候不是脚本问题，而是Unity项目本身的设置问题。我总结出四个必须做的事，缺一个都可能让你在训练时一头雾水：

第一，Player Settings里的API兼容级别要设为.NET 4.x。路径是Edit -> Project Settings -> Player -> Other Settings -> Api Compatibility Level，选.NET Standard 2.0或.NET 4.x（推荐后者）。如果保持默认的“.NET Standard 2.0”也不是完全不行，但部分老API会受限，设成4.x最稳。

第二，开启后台运行。Edit -> Project Settings -> Player -> Resolution and Presentation下，勾选“Run In Background”。否则训练时Unity窗口一旦失去焦点，窗口会暂停，训练直接卡死。

第三，Quality设置降到底。Edit -> Project Settings -> Quality，把所有级别的Quality都设成最低（或者至少保证训练场景用的那个Quality Level是最低档）。光照、阴影、后处理这些对训练没有任何帮助，只会白白占用GPU资源，拖慢训练步进。

第四，检查Time Manager里的Fixed Timestep。物理仿真和Agent的决策步进都依赖FixedUpdate，默认0.02s没问题，但如果你手动改了某个数值，后面训练出来的效果可能会“发飘”。建议保持默认，后续如果追求训练速度，用timeScale提速而不是去改Fixed Timestep。

3. 从零搭建一个训练场景

3.1 场景里的基础物体与平面设置

拿最简单的“小球学习走到目标点”来说。一个完整的训练场景至少需要三类物体：训练场地（通常是带Collider的地面）、目标物体（需要被收集或接近的物体）、智能体（需要学习控制的物体）。其他高级传感器、障碍物、多智能体交互，都是在这个基础框架上扩展的。

先在地面上创建一个小球作为Agent，给它添加Rigidbody组件。这里有一个关键点：Rigidbody的Interpolate可以选插值，但Collision Detection如果不是高速运动场景建议保持默认。另外务必不要勾选Is Kinematic，否则物理力和速度设置都不生效。再创建一个Cube作为目标点，调成明显的颜色，方便训练时肉眼观察。

地面建议放一个足够大的Plane，但要注意：Plane默认的MeshCollider对物理性能不太友好，如果是大场景可以考虑用BoxCollider自己拼地面。这一步看似基础，但直接影响训练速度和碰撞检测的准确性。

3.2 给智能体挂上ML-Agents组件

接下来在Agent小球的GameObject上挂上三个关键组件：Agent脚本（我们自定义的C#脚本）、Behavior Parameters组件、Decision Requester组件。这三者的关系我简单说：Behavior Parameters定义了智能体的“行为名片”，包括行为名、观察空间大小、动作空间类型；Agent脚本是具体逻辑；Decision Requester告诉环境每隔多少个FixedUpdate向决策模块发一次请求。

很多新手只加Behavior Parameters不加Decision Requester，结果训练时候智能体完全不动。不要忘记。

Behavior Parameters组件的关键字段这样配：

• Behavior Name：给这个行为起个唯一的名字，比如MoveToTarget，这个名字必须和训练配置文件YAML里的行为名保持一致，否则训练器找不到对应的智能体。
• Vector Observation -> Space Size：这个数字是所有观察向量长度的总和。比如我下面的脚本会添加3个三维向量（位置、目标位置、速度），加起来就是9。
• Actions -> Continuous Actions：连续动作维度，这里我设2，代表X和Z两个方向的力。
• Actions -> Discrete Branches：这一行暂时留空，等用离散动作时再填。
• Behavior Type：默认值是Default。训练时保持Default即可，推理时改成Inference Only。

3.3 决策请求器与最大步数

Decision Requester组件上有一个Decision Period参数，官方默认给到5，意思是每5次FixedUpdate请求一次决策。如果你的任务需要更精细的控制，可以调成1（每物理帧都决策），但决策频率越高训练越慢。我实测像小球移动这类任务，Decision Period设5就很合适，智能体动作看起来不会太“神经质”。

Agent脚本上还有一个Max Step参数：每个episode的最大步数。这个参数非常重要。如果设成0，表示不限制，除非脚本里显式调用EndEpisode，否则这个episode永远不会结束。对训练来说，一个永远不结束的episode意味着奖励永远无法收敛。建议新环境先设一个保守值，比如1000，后续根据训练情况调整。达到Max Step后Episode会自动重置，但不会自动给奖励，你需要在脚本里根据业务逻辑给奖励或者给一个-1的惩罚，否则Max Step触发的重置就变成无奖励空转了。

4. 核心脚本的四段式写法

4.1 继承Agent类的脚本骨架

ML-Agents 1.9.1的C# API已经非常规整，一个标准的Agent脚本包含四个核心方法：Initialize（初始化）、OnEpisodeBegin（每个episode开始时重置）、CollectObservations（收集观察）、OnActionReceived（接收动作并执行）、Heuristic（手动控制用）。这里我要把“OnEpisodeBegin”和“Initialize”分清楚：Initialize是智能体创建时执行一次，OnEpisodeBegin是每次episode开始时执行一次。

新手最容易犯的错误是把随机生成位置的代码放在Start或Initialize里，结果智能体永远只在同一个位置起跑。正确的做法是把每一次episode的初始状态变更都放在OnEpisodeBegin里。下面是一个可供直接参考的完整脚本框架：

using UnityEngine; using Unity.MLAgents; using Unity.MLAgents.Sensors; using Unity.MLAgents.Actuators; public class MoveToTargetAgent : Agent { public Transform target; private Rigidbody rb; public override void Initialize() { rb = GetComponent<Rigidbody>(); } public override void OnEpisodeBegin() { // 每轮开始重置速度，随机位置 rb.velocity = Vector3.zero; rb.angularVelocity = Vector3.zero; transform.localPosition = new Vector3(Random.Range(-4f, 4f), 1f, Random.Range(-4f, 4f)); target.localPosition = new Vector3(Random.Range(-4f, 4f), 1f, Random.Range(-4f, 4f)); } }

4.2 观察是怎么收集的

CollectObservations方法负责把当前环境状态传给决策模块。1.9.1版本传入参数是VectorSensor，你需要把需要模型感知的所有数值都AddObservation进去。

public override void CollectObservations(VectorSensor sensor) { sensor.AddObservation(transform.localPosition / 5f); sensor.AddObservation(target.localPosition / 5f); sensor.AddObservation(rb.velocity / 5f); }

这里我特别强调“归一化”。很多人直接把位置坐标原样丢进去，比如x=12.3这种大数值，然后发现训练怎么都不收敛。原因是神经网络的输入需要在一个相对小的范围内，最好在[-1, 1]区间。官方文档虽然没有强制要求，但实际项目中这点直接决定训练效率。我这个示例场景边界范围是5，所以除以5把它映射到[-1, 1]附近。你根据自己的场景边界来定这个缩放系数。

观察维度要和Behavior Parameters里的Space Size严格一致。我在上面加了3个三维向量，所以Space Size是9。如果你加了小数、角度值、传感器读数，记得重新数一遍。这里的一致性错误最常见，Unity端跑起来也不一定报错，但训练端会出现观察维度错误甚至直接崩溃，后面排查章节我再细说。

4.3 动作如何映射到环境

OnActionReceived是智能体收到决策结果后的执行函数。1.9.1的ActionBuffers结构体同时包含了连续动作和离散动作，比以前分开写的API清晰很多。

public override void OnActionReceived(ActionBuffers actions) { float moveX = actions.ContinuousActions[0]; float moveZ = actions.ContinuousActions[1]; rb.AddForce(new Vector3(moveX, 0f, moveZ) * 10f); }

连续动作的数值范围默认是[-1, 1]区间（由训练器网络输出层决定），你拿到之后可以根据需要做缩放。这里我给10倍的力系数，需要根据物体质量调整。一个实用建议：如果小球质量是默认的1，10倍力已经能让它在地面上滑动得比较快；如果加了阻尼或者质量变大，这个系数要同步调。

动作空间的维度必须和Behavior Parameters里配置的Continuous Actions数量保持一致，不然会在训练时出现“action shape mismatch”。我自己遇到过一个情况：Behavior Parameters里配了3个连续动作，脚本里只读前2个，第三个永远是默认0，结果模型学出来的效果怎么都不对，后来排查半天才发现是这里的粗细问题。

4.4 奖励设计的门道

奖励是整个强化学习环境设计里最关键的环节。我这里先给一个简单但有效的奖励结构：到达目标给正奖励，掉落或超出范围给负奖励并结束，每步加一个微小惩罚让智能体“想尽快完成任务”。

float distance = Vector3.Distance(transform.localPosition, target.localPosition); if (distance < 1.2f) { AddReward(2.0f); EndEpisode(); } else if (transform.localPosition.y < 0f || distance > 20f) { AddReward(-1.0f); EndEpisode(); } else { AddReward(-0.001f); }

这里注意，AddReward的数值并不是越大越好。官方文档建议reward保持在合理的数值范围，通常1-10的正奖励配合中小量的步长惩罚就够用，不要去搞几千几万的奖励，那会让梯度爆炸。另外，EndEpisode之前必须AddReward，否则这轮的经验没有终止奖励信号，训练器很难学到“到达目标”这个行为。

关于“稀疏奖励”和“稠密奖励”：上面的设计属于半稠密奖励，因为每步都有惩罚，目标则有大的正奖励。如果只有到达目标才有+2，其他步都是0，那种就是稀疏奖励，训练耗时会长很多。实际做新环境时建议先给简单任务用稠密奖励，等模型能基本完成任务后再逐步降低奖励密度，提升泛化能力。

4.5 启发式方法带来的调试便利

除了自动训练，ML-Agents还支持用手动控制来验证环境和调试奖励参数。这个功能在1.9.1里通过Heuristic方法实现：你可以用键盘输入去控制智能体，直观感受环境是否合理。

public override void Heuristic(float[] actionsOut) { actionsOut[0] = Input.GetAxis("Horizontal"); actionsOut[1] = Input.GetAxis("Vertical"); }

写完之后，把Behavior Parameters里的Behavior Type临时切换为“Heuristic Only”，然后在Unity里点Play，你就能用键盘方向键控制小球移动。这一步很重要：在开始训练之前，先手动玩一玩，确认目标位置、碰撞、结束条件都符合预期，奖励设置也没有明显逻辑矛盾。我始终坚信一个原则：如果人手动操作都无法稳定完成任务的环境，让模型去学只会更痛苦。

还有一个隐藏用途：当你使用Heuristic采集数据时，也可以配合IL（Imitation Learning）做模仿学习，先手动录几段完美操作，再用官方示例里的行为克隆来训练初始模型，能显著缩短强化学习的探索时间。

5. 训练器配置与启动训练

5.1 训练器配置文件里的关键参数

Python端的训练靠一个YAML配置文件驱动。ML-Agents 1.9.1的配置文件结构是以behaviors为根节点，每个行为名对应一段配置。我这里给出一个针对小球寻目标任务的PPO配置：

behaviors: MoveToTarget: trainer_type: ppo hyperparameters: batch_size: 128 buffer_size: 2048 learning_rate: 0.0003 beta: 0.01 epsilon: 0.2 lambd: 0.95 num_epoch: 3 learning_rate_schedule: linear network_settings: normalize: true hidden_units: 128 num_layers: 2 max_steps: 500000 time_horizon: 64 summary_freq: 5000

几个关键参数背后的逻辑我说一下。batch_size是每次梯度更新用多少样本，太小容易震荡，太大训练慢，我这里的128对中小任务够用。buffer_size是经验缓冲池大小，至少要是batch_size的10倍以上，2048是比较常见的起步值。learning_rate决定更新步长，0.0003是PPO的常见选择，太大会崩塌，太小半天不出效果。beta是熵正则系数，控制探索程度，太大模型会一直“乱摸”，太小会过早收敛到某个次优策略。epsilon是PPO裁剪系数，0.2是默认值，不用动。

network_settings里的normalize: true会自动对网络输入做归一化，这里即使脚本里已经手动做了缩放，也建议打开，它能更细腻地处理特征尺度。hidden_units和num_layers控制网络容量，像这种简单任务1282足够，别一上来就用5123，训练慢还容易过拟合。

max_steps是总训练步数上限，500000对这个任务比较合适，你可以根据收敛情况调整。summary_freq是每隔多少步记录一次训练统计信息，默认5000太小会频繁写盘，我常用5000还行。

5.2 启动训练的完整命令

配置好YAML文件后，把它放在项目根目录或专门的config目录下。启动训练的命令是：

mlagents-learn config/ppo.yaml --run-id=MoveToTarget-v1 --train

这里--run-id是给这次训练记录起名字，会作为results目录下的文件夹名。不加--train的话实际上是推理模式，这会让你莫名觉得“怎么不更新模型”，所以训练时千万别漏掉--train参数。我建议再加两个参数：

mlagents-learn config/ppo.yaml --run-id=MoveToTarget-v1 --train --num-envs=1 --force

--num-envs=1是只开一个Unity环境（默认也是一，显式写出来提醒自己）。--force是允许覆盖核对已有run-id的结果。若想多环境并行加速，可以设--num-envs=4，但同时也要在Unity里配置好编译好的可执行文件（player），否则这个参数无效。

命令执行后，终端会显示类似“Waiting for Unity to connect...”的提示，然后切到Unity编辑器里面，确认场景已经打开，直接点击Play按钮。Unity端会自动通过内部通信机制连接到Python端，之后训练就真正开始了。

5.3 训练过程的检查点与恢复

训练不是一次到位就成功的。ML-Agents会定期保存模型检查点，默认在results目录下的MoveToTarget-v1文件夹里。真正的模型文件是.onnx格式的，训练结束后会生成。

如果你想中断训练改天继续，用同样的--run-id并加--resume参数：

mlagents-learn config/ppo.yaml --run-id=MoveToTarget-v1 --resume

我个人的习惯是：每天训练前先跑一次短时间的训练（比如50000步）看曲线趋势，趋势OK再停掉，用--resume接着长跑。这样既能控制在服务器上的时间，也能及时发现问题。

另外一个实用技巧：把训练配置、环境脚本、场景文件都放进一个带版号的项目目录里保存好，因为ML-Agents的YAML配置和Unity包版本绑定太紧，过几个月你可能就忘了当时是怎么配置的。我吃过的亏就是训练出来一个好模型，结果换机器后配置怎么也对不上，最后只能重新调很久。

5.4 TensorBoard监控与判断收敛

训练启动后，另一个终端里运行：

tensorboard --logdir results

然后在浏览器打开http://localhost:6006，就能看到训练曲线。重点关注两个指标：累积奖励（Cumulative Reward）和策略熵（Policy Entropy）。累积奖励曲线应该整体向上爬升，然后进入平台期；熵值应该一开始相对较高（在探索），然后逐渐下降，但不要降到接近0，否则模型过早停止探索。

我判断一个环境训练成功的标准有三个：一是累积奖励稳定在一个高点不再大幅波动；二是肉眼观察Unity场景中智能体能从多个随机起点都稳定完成任务；三是用验证模式跑几次不是每次都撞车。只要这三点都满足，就可以停了。

6. 训练不收敛？排查清单与避坑技巧

6.1 环境连接类问题

最典型的场景是：运行mlagents-learn后终端一直显示等待连接，Unity端按下Play却毫无反应。第一反应检查Unity包和Python包版本是否匹配，1.9.1对应mlagents 0.28.0，差一个小版本有时候也会握手失败。第二检查防火墙，ML-Agents默认走本地端口5005，某些安全软件会拦截本地回环端口。第三看Unity控制台有没有报错，如果有异常堆栈，先解决脚本编译问题再说。

如果用了多环境并行，--num-envs>1时记得用--port参数给每个环境指定不同端口，否则环境会抢同一个端口导致连接错乱。这里我吃过亏：开两个环境训练时忘记分配端口，Unity其中一个能连上，另一个一直离线，训练效率不增反降。

6.2 维度与API不匹配

维度错误是训练阶段最常见的技术问题。表现是训练开始时NN端报错，说Observation或Action的shape和模型不匹配。解决思路：检查Behavior Parameters里Vector Observation的Space Size和脚本里AddObservation的数量是否相等；检查Continuous Actions的数量和脚本里ContinuousActions[索引]的使用情况是否一致；如果你配了Discrete Branches，注意DiscreteActions[0]对应的是第一个分支，而不是把所有离散动作数加起来。

另一个容易弄混的API问题是老教程里的heuristic()方法名。1.9.1里官方签名是Heuristic(float[] actionsOut)，如果你还沿用旧版不带参数的方法，编译会直接报错。看到编译错误先别急着搜，优先看API差异。

还有一个小细节：Behavior Name不能有空格和特殊字符，且Unity端和YAML里的名字必须完全一致。因为名字对不上时训练器可能不会立刻报错，而是静默忽略掉那个行为，导致奖励曲线完全不更新。我排查这类问题时，习惯打印一下训练器初始化时识别到的behavior名字。

6.3 训练不收敛的常见原因与调参建议

如果奖励曲线长时间不动，或者升到某个值就上不去了，不能只怪算法，先检查环境本身的合理性。我的排查顺序是：

第一，手动玩一遍（用Heuristic Only），如果手动都很难达成目标，说明任务难度本身太高，要么缩小随机范围，要么做课程学习（Curriculum）把初始位置从近到远逐渐拉开。

第二，看奖励是否存在“gaming”漏洞。比如你只设置了到达目标+2，每步-0.001，智能体可能学会在原地打转不积累惩罚，或反复进出某个区域刷奖励。这类问题需要重新设计奖励，例如在进入目标区域时标记已获得过奖励，并在EndEpisode时检查。

第三，检查物理参数是否合理。Rigidbody的力系数、阻尼、场景碰撞体的大小，都会显著影响任务可控性。如果力气太大，物体会到处弹跳，训练极不稳定；力气太小，又走不到目标点。这小参数值得花一天去手工调。

第四，调训练超参。最常用的组合是：learning_rate降到0.0001左右，beta从0.01调到0.005或者0.05，num_epoch降到2。另外time_horizon建议设成64到128之间，太短会丢失长期收益信息，太长会增大方差。

6.4 想用大TimeScale提速？有三件事要照做

官方文档支持通过Time.timeScale把模拟速度调大，比如设成20倍或50倍来加速训练。但实际执行时如果发现训练速度上不去，或者行为变得异常，可能问题出在下面三件事没做对。

第一，确保场景内没有高帧率动画或依赖Update的逻辑，因为TimeScale影响的是Update和FixedUpdate的时间增量，如果你在Update里写了跟训练强相关的逻辑，会导致决策步数和物理步数错位。第二，物理仿真建议保持50Hz（Fixed Timestep=0.02），TimeScale再大也尽量不要去改物理步长，否则碰撞检测会出问题。第三，训练窗口可能会因为帧率不匹配跑得忽快忽慢，有条件的话用-batchmode -nographics启动Unity，能让训练速度更稳定。

我个人在简单寻物任务上，timeScale=20配合低画质设置，训练速度能从每秒几十步提升到每秒两百步以上，而且收敛行为没有明显劣化。当然，timeScale不是万能的，如果任务涉及复杂物理交互（比如机械臂、多关节控制），ratio太大反而会让学习变得不稳定。

6.5 训练完成后的模型导出与实用体会

训练完成后，得到的.onnx文件就是被训练出来的模型。把这个文件拖进Unity工程的Assets目录，在Behavior Parameters组件上指定该模型文件，同时把Behavior Type切换为“Inference Only”，运行项目就能看到训练好的智能体在场景里做决策。这里有个细节：模型文件名或路径不能包含中文和空格，否则Unity加载时可能出问题。

我做这个新环境流程走了好几次，最大的感受是：环境设计占七分，算法调参占三分。官方文档给了很标准的流程模板，但真正的好环境是在一次次的跑图和人工尝试中调出来的。拿奖励设计来说，多调一个数量级、多试一种随机范围，效果天壤之别。所以我特别建议，在投入长时间训练前，先用Heuristic手动确认环境，再跑一个短步数（比如50000步）的“冒烟测试”，看一眼曲线和智能体行为再决定是否加大训练规模。这一步看似麻烦，但能帮你省掉大把无意义的等待时间。