Den Google-ejede virksomhed DeepMind, der er berømt for sin udvikling inden for kunstig intelligens og konstruktionen af neurale netværk, der er i stand til at spille computerspil på menneskeligt niveau, annoncerede opdagelsen af en motor til simulering af fysiske processer MuJoCo (Multi-Joint dynamics with Contact ). Motoren er rettet mod at modellere ledstrukturer, der interagerer med miljøet, og bruges til simulering i udviklingen af robotter og kunstige intelligenssystemer, på stadiet før implementeringen af den udviklede teknologi i form af en færdig enhed.
Koden er skrevet i C/C++ og vil blive offentliggjort under Apache 2.0-licensen. Linux-, Windows- og macOS-platforme understøttes. Open source-arbejdet på hele projektets indhold forventes afsluttet i 2022, hvorefter MuJoCo går over til en åben udviklingsmodel, der giver community-medlemmer mulighed for at deltage i udviklingen.
MuJoCo er et bibliotek, der implementerer en generel fysisk processimuleringsmotor, der kan bruges i forskning og udvikling af robotter, biomekaniske enheder og maskinlæringssystemer, såvel som i skabelsen af grafik, animation og computerspil. Simuleringsmotoren er optimeret til maksimal ydeevne og tillader objektmanipulation på lavt niveau, samtidig med at den giver høj nøjagtighed og rige simuleringsmuligheder.
Modeller defineres ved hjælp af MJCF scenebeskrivelsessproget, som er baseret på XML og kompileret ved hjælp af en speciel optimeringskompiler. Ud over MJCF understøtter motoren indlæsning af filer i det universelle URDF (Unified Robot Description Format). MuJoCo leverer også en GUI til interaktiv 3D-visualisering af simuleringsprocessen og gengivelse af resultaterne ved hjælp af OpenGL.
Nøglefunktioner:
- Simulering i generaliserede koordinater, eksklusive ledovertrædelser.
- Omvendt dynamik, detekterbar selv ved tilstedeværelse af kontakt.
- Brug af konveks programmering til at formulere ensartede begrænsninger i kontinuerlig tid.
- Mulighed for at indstille forskellige begrænsninger, herunder soft touch og tør friktion.
- Simulering af partikelsystemer, stoffer, reb og bløde genstande.
- Aktuatorer (aktuatorer), herunder motorer, cylindre, muskler, sener og krumtapmekanismer.
- Løsere baseret på Newton, konjugeret gradient og Gauss-Seidel metoder.
- Mulighed for at bruge pyramideformede eller elliptiske friktionskegler.
- Brug dit valg af Euler eller Runge-Kutta numeriske integrationsmetoder.
- Multi-threaded diskretisering og endelig differenstilnærmelse.
Kilde: opennet.ru