شرکت DeepMind متعلق به گوگل که به دلیل پیشرفت‌هایش در زمینه هوش مصنوعی و ساخت شبکه‌های عصبی با قابلیت انجام بازی‌های رایانه‌ای در سطح انسان مشهور است، از کشف موتوری برای شبیه‌سازی فرآیندهای فیزیکی MuJoCo (دینامیک چند مشترک با تماس) خبر داد. ). هدف این موتور مدل سازی سازه های مفصلی است که در تعامل با محیط هستند و برای شبیه سازی در توسعه ربات ها و سیستم های هوش مصنوعی در مرحله قبل از اجرای فناوری توسعه یافته در قالب یک دستگاه تمام شده استفاده می شود.
کد به زبان C/C++ نوشته شده و تحت مجوز آپاچی 2.0 منتشر خواهد شد. پلتفرم های لینوکس، ویندوز و macOS پشتیبانی می شوند. انتظار می رود کار متن باز روی تمام محتوای پروژه در سال 2022 تکمیل شود و پس از آن MuJoCo به یک مدل توسعه باز که به اعضای جامعه اجازه می دهد در توسعه مشارکت کنند، حرکت خواهد کرد.
MuJoCo یک کتابخانه است که یک موتور شبیه‌سازی فرآیند فیزیکی همه منظوره را پیاده‌سازی می‌کند که می‌تواند در تحقیق و توسعه ربات‌ها، دستگاه‌های بیومکانیکی و سیستم‌های یادگیری ماشین و همچنین در ایجاد گرافیک، انیمیشن و بازی‌های رایانه‌ای استفاده شود. موتور شبیه سازی برای حداکثر کارایی بهینه شده است و امکان دستکاری اشیا در سطح پایین را فراهم می کند در حالی که دقت بالا و قابلیت های شبیه سازی غنی را ارائه می دهد.
مدل ها با استفاده از زبان توصیف صحنه MJCF که بر اساس XML است و با استفاده از یک کامپایلر بهینه سازی خاص کامپایل شده است، تعریف می شوند. علاوه بر MJCF، موتور از بارگیری فایل ها در URDF جهانی (فرمت Unified Robot Description Format) پشتیبانی می کند. MuJoCo همچنین یک رابط کاربری گرافیکی برای تجسم سه بعدی تعاملی فرآیند شبیه سازی و ارائه نتایج با استفاده از OpenGL ارائه می دهد.
ویژگی های کلیدی:
- شبیه سازی در مختصات تعمیم یافته، به استثنای نقض مشترک.
- دینامیک معکوس، قابل تشخیص حتی در حضور تماس.
- استفاده از برنامه نویسی محدب برای فرمول بندی قیود یکپارچه در زمان پیوسته.
- قابلیت تنظیم محدودیت های مختلف از جمله لمس نرم و اصطکاک خشک.
- شبیه سازی سیستم های ذرات، پارچه ها، طناب ها و اجسام نرم.
- محرک ها (محرک ها)، از جمله موتورها، سیلندرها، ماهیچه ها، تاندون ها و مکانیسم های میل لنگ.
- حل‌کننده‌های مبتنی بر روش‌های نیوتن، گرادیان مزدوج و گاوس-سایدل.
- امکان استفاده از مخروط های اصطکاکی هرمی یا بیضوی.
- از روش های ادغام عددی اویلر یا رانگ-کوتا به انتخاب خود استفاده کنید.
- گسسته سازی چند رشته ای و تقریب تفاضل محدود.
منبع: opennet.ru