我在gym的维护分支中构建了一个环境：Gymnasium by Farama.在我的gym environment中，我声明action_space = gym.spaces.Discrete(5)和observation_space = gym.spaces.MultiBinary(25)。使用Gym Basic Usage网站上建议的代理-环境循环运行环境不会出现任何问题：我注册了环境，它可以简单地由gym.make()调用。
然而，我现在想在这个环境中训练一个强化学习代理。现在我遇到了Stable Baselines3，它使DQN代理的实现变得相当容易。不过，它似乎确实支持新的Gymnasium。即：

import gymnasium as gym
from stable_baselines3.ppo.policies import MlpPolicy
from stable_baselines3 import DQN

env = gym.make("myEnv")
model = DQN(MlpPolicy, env, verbose=1)

• 是的，我知道，“myEnv”是不可复制的，但环境本身太大（沿着文件系统的结构），但这不是这个问题的重点 *

此代码产生错误：

AssertionError: The algorithm only supports (<class 'gym.spaces.discrete.Discrete',) as action spaces but Discrete(5) was provided

我的问题如下：Stable Baselines 3是否支持Gymnasium？
我尝试使用gym.spaces来定义action_space和observation_space，这样

from gym.spaces import Discrete, MultiBinary
action_space = Discrete(5)
observation_space = MultiBinary(25)

但与此沿着，我必须重写环境的很大一部分，以支持旧的gym包。我想知道是否有比这更好的解决办法。