DeepMind anoncis la malfermon de simulilo de fizikaj procezoj MuJoCo

Guglo-posedata firmao DeepMind, fama pro siaj evoluoj en la kampo de artefarita inteligenteco kaj la konstruado de neŭralaj retoj kapablaj ludi komputilajn ludojn je homa nivelo, anoncis la malkovron de motoro por simuli fizikajn procezojn MuJoCo (Multi-Joint dynamics with Contact). ). La motoro celas modeligi artikajn strukturojn interagante kun la medio, kaj estas uzata por simulado en la disvolviĝo de robotoj kaj artefarita inteligenteco sistemoj, en la stadio antaŭ la efektivigo de la evoluinta teknologio en la formo de finita aparato.

La kodo estas skribita en C/C++ kaj estos publikigita sub la permesilo Apache 2.0. Linukso, Vindozo kaj macOS-platformoj estas subtenataj. Malfermfonta laboro pri ĉio el la enhavo de la projekto estas atendita esti kompletigita en 2022, post kiu MuJoCo moviĝos al malferma evolumodelo kiu permesas al komunumanoj partopreni la evoluon.

MuJoCo estas biblioteko kiu efektivigas ĝeneraluzeblan fizikan procezan simuladmotoron kiu povas esti uzita en la esplorado kaj evoluo de robotoj, biomekanikaj aparatoj kaj maŝinlernadsistemoj, same kiel en la kreado de grafikoj, animacio kaj komputilludoj. La simuladmotoro estas optimumigita por maksimuma rendimento kaj permesas malaltnivelan objektan manipuladon dum li provizas altan precizecon kaj riĉajn simulajn kapablojn.

Modeloj estas difinitaj per la MJCF-scena priskribolingvo, kiu estas bazita sur XML kaj kompilita uzante specialan optimumigan kompililon. Krom MJCF, la motoro subtenas ŝarĝi dosierojn en la universala URDF (Unified Robot Description Format). MuJoCo ankaŭ disponigas GUI por interaga 3D bildigo de la simuladprocezo kaj bildigo de la rezultoj uzante OpenGL.

Ĉefaj trajtoj:

  • Simulado en ĝeneraligitaj koordinatoj, ekskludante komunajn malobservojn.
  • Inversa dinamiko, detektebla eĉ en ĉeesto de kontakto.
  • Uzante konveksan programadon por formuli unuigitajn limojn en kontinua tempo.
  • Kapablo agordi diversajn limigojn, inkluzive de mola tuŝo kaj seka frotado.
  • Simulado de partiklosistemoj, ŝtofoj, ŝnuroj kaj molaj objektoj.
  • Aktuarioj (aktuarioj), inkluzive de motoroj, cilindroj, muskoloj, tendenoj kaj krankaj mekanismoj.
  • Solvantoj bazitaj sur Neŭtono, konjugacigradiento kaj Gauss-Seidel-metodoj.
  • Ebleco uzi piramidajn aŭ elipsajn frotajn konusojn.
  • Uzu vian elekton de nombraj integrigaj metodoj de Euler aŭ Runge-Kutta.
  • Plurfadena diskretigo kaj finhava diferenco-aproksimado.



fonto: opennet.ru

Aldoni komenton