DeepMind បានប្រកាសពីការបើកកម្មវិធីក្លែងធ្វើនៃដំណើរការរាងកាយ MuJoCo

ក្រុមហ៊ុន DeepMind ដែលជាកម្មសិទ្ធិរបស់ Google ដែលល្បីល្បាញសម្រាប់ការអភិវឌ្ឍន៍របស់ខ្លួនក្នុងវិស័យបញ្ញាសិប្បនិមិត្ត និងការសាងសង់បណ្តាញសរសៃប្រសាទដែលមានសមត្ថភាពលេងហ្គេមកុំព្យូទ័រក្នុងកម្រិតមនុស្សបានប្រកាសពីការរកឃើញម៉ាស៊ីនសម្រាប់ក្លែងធ្វើដំណើរការរាងកាយ MuJoCo (សក្ដានុពលពហុរួមគ្នាជាមួយទំនាក់ទំនង។ ) ម៉ាស៊ីននេះមានគោលបំណងធ្វើគំរូរចនាសម្ព័ន្ធដែលមានអន្តរកម្មជាមួយបរិស្ថាន ហើយត្រូវបានប្រើសម្រាប់ការក្លែងធ្វើក្នុងការអភិវឌ្ឍន៍មនុស្សយន្ត និងប្រព័ន្ធបញ្ញាសិប្បនិមិត្ត នៅដំណាក់កាលមុនការអនុវត្តបច្ចេកវិទ្យាដែលបានអភិវឌ្ឍក្នុងទម្រង់ជាឧបករណ៍បញ្ចប់។

កូដនេះត្រូវបានសរសេរជា C/C++ ហើយនឹងត្រូវបានបោះពុម្ពក្រោមអាជ្ញាប័ណ្ណ Apache 2.0 ។ វេទិកា Linux, Windows និង macOS ត្រូវបានគាំទ្រ។ ការងារប្រភពបើកចំហលើខ្លឹមសារនៃគម្រោងទាំងអស់ត្រូវបានរំពឹងថានឹងបញ្ចប់នៅឆ្នាំ 2022 បន្ទាប់ពីនោះ MuJoCo នឹងផ្លាស់ទីទៅគំរូអភិវឌ្ឍន៍បើកចំហដែលអនុញ្ញាតឱ្យសមាជិកសហគមន៍ចូលរួមក្នុងការអភិវឌ្ឍន៍។

MuJoCo គឺជាបណ្ណាល័យដែលអនុវត្តម៉ាស៊ីនក្លែងធ្វើដំណើរការរាងកាយដែលមានគោលបំណងទូទៅ ដែលអាចប្រើក្នុងការស្រាវជ្រាវ និងអភិវឌ្ឍមនុស្សយន្ត ឧបករណ៍ជីវមេកានិច និងប្រព័ន្ធរៀនម៉ាស៊ីន ក៏ដូចជាក្នុងការបង្កើតក្រាហ្វិក ចលនា និងហ្គេមកុំព្យូទ័រ។ ម៉ាស៊ីនក្លែងធ្វើត្រូវបានធ្វើឱ្យប្រសើរឡើងសម្រាប់ដំណើរការអតិបរមា និងអនុញ្ញាតឱ្យរៀបចំវត្ថុក្នុងកម្រិតទាប ខណៈពេលដែលផ្តល់នូវភាពត្រឹមត្រូវខ្ពស់ និងសមត្ថភាពក្លែងធ្វើដ៏សម្បូរបែប។

ម៉ូដែលត្រូវបានកំណត់ដោយប្រើភាសាពិពណ៌នាឈុតឆាក MJCF ដែលផ្អែកលើ XML និងចងក្រងដោយប្រើកម្មវិធីចងក្រងបង្កើនប្រសិទ្ធភាពពិសេស។ បន្ថែមពីលើ MJCF ម៉ាស៊ីននេះគាំទ្រការផ្ទុកឯកសារនៅក្នុង URDF ជាសកល (ទម្រង់ការពិពណ៌នាមនុស្សយន្តបង្រួបបង្រួម)។ MuJoCo ក៏ផ្តល់នូវ GUI សម្រាប់ការមើលឃើញអន្តរកម្ម 3D នៃដំណើរការក្លែងធ្វើ និងការបង្ហាញលទ្ធផលដោយប្រើ OpenGL ។

លក្ខណៈសំខាន់ៗ៖

• ការក្លែងធ្វើនៅក្នុងកូអរដោនេទូទៅ ដោយមិនរាប់បញ្ចូលការបំពានរួម។
• ថាមវន្តបញ្ច្រាស, អាចរកឃើញសូម្បីតែនៅក្នុងវត្តមាននៃទំនាក់ទំនង។
• ការប្រើកម្មវិធីប៉ោងដើម្បីបង្កើតឧបសគ្គបង្រួបបង្រួមក្នុងពេលវេលាបន្ត។
• សមត្ថភាពក្នុងការកំណត់ការរឹតបន្តឹងផ្សេងៗ រួមទាំងការប៉ះទន់ និងការកកិតស្ងួត។
• ការក្លែងធ្វើប្រព័ន្ធភាគល្អិត ក្រណាត់ ខ្សែពួរ និងវត្ថុទន់។
• Actuators ( actuators ) រួមទាំងម៉ូទ័រ ស៊ីឡាំង សាច់ដុំ សរសៃពួរ និងយន្តការ crank ។
• ដំណោះស្រាយផ្អែកលើ Newton, conjugate gradient និង Gauss-Seidel method ។
• លទ្ធភាពនៃការប្រើប្រាស់កោណកកិតពីរ៉ាមីតឬរាងអេលីប។
• ប្រើជម្រើសរបស់អ្នកនៃវិធីសាស្ត្ររួមបញ្ចូលលេខអយល័រ ឬ Runge-Kutta ។
• ការ​កំណត់​ខុស​គ្នា​ច្រើន​ខ្សែ​និង​ការ​ប៉ាន់​ប្រមាណ​ភាព​ខុស​គ្នា​កំណត់។

ប្រភព: opennet.ru