Společnost DeepMind vlastněná společností Google, známá svým vývojem v oblasti umělé inteligence a konstrukcí neuronových sítí schopných hrát počítačové hry na lidské úrovni, oznámila objev enginu pro simulaci fyzikálních procesů MuJoCo (Multi-Joint dynamics with Contact ). Engine je zaměřen na modelování kloubových struktur interagujících s okolím a slouží k simulaci při vývoji robotů a systémů umělé inteligence, ve fázi před implementací vyvíjené technologie v podobě hotového zařízení.
Kód je napsán v C/C++ a bude publikován pod licencí Apache 2.0. Podporovány jsou platformy Linux, Windows a macOS. Očekává se, že práce s otevřeným zdrojovým kódem na veškerém obsahu projektu budou dokončeny v roce 2022, poté MuJoCo přejde na model otevřeného vývoje, který umožňuje členům komunity podílet se na vývoji.
MuJoCo je knihovna, která implementuje univerzální modul pro simulaci fyzikálních procesů, který lze použít při výzkumu a vývoji robotů, biomechanických zařízení a systémů strojového učení, stejně jako při tvorbě grafiky, animací a počítačových her. Simulační engine je optimalizován pro maximální výkon a umožňuje manipulaci s objekty na nízké úrovni a zároveň poskytuje vysokou přesnost a bohaté možnosti simulace.
Modely jsou definovány pomocí jazyka popisu scény MJCF, který je založen na XML a kompilován pomocí speciálního optimalizačního kompilátoru. Kromě MJCF engine podporuje načítání souborů v univerzálním formátu URDF (Unified Robot Description Format). MuJoCo také poskytuje GUI pro interaktivní 3D vizualizaci simulačního procesu a vykreslování výsledků pomocí OpenGL.
Základní možnosti:
- Simulace ve zobecněných souřadnicích, s výjimkou porušení kloubů.
- Reverzní dynamika, detekovatelná i v přítomnosti kontaktu.
- Použití konvexního programování k formulaci sjednocených omezení v nepřetržitém čase.
- Možnost nastavení různých omezení, včetně měkkého dotyku a suchého tření.
- Simulace částicových systémů, tkanin, lan a měkkých předmětů.
- Akční členy (akční členy), včetně motorů, válců, svalů, šlach a klikových mechanismů.
- Řešiče založené na Newtonově, konjugovaném gradientu a Gauss-Seidelově metodě.
- Možnost použití pyramidálních nebo eliptických třecích kuželů.
- Použijte svou volbu numerické integrace Euler nebo Runge-Kutta.
- Vícevláknová diskretizace a aproximace konečných rozdílů.
Zdroj: opennet.ru