DeepMind huet de Quellcode vum Motor opgemaach fir physesch Prozesser MuJoCo (Multi-Joint Dynamik mat Kontakt) ze simuléieren an de Projet op en oppenen Entwécklungsmodell iwwerginn, wat d'Méiglechkeet implizéiert datt Gemeinschaftsmemberen un der Entwécklung deelhuelen. De Projet gëtt als Plattform fir Fuerschung an Zesummenaarbecht iwwer nei Technologien am Zesummenhang mat der Simulatioun vu Roboter a komplexe Mechanismen gesinn. De Code gëtt ënner der Apache 2.0 Lizenz publizéiert. Linux, Windows a macOS Plattforme ginn ënnerstëtzt.
MuJoCo ass eng Bibliothéik déi e Motor implementéiert fir kierperlech Prozesser ze simuléieren an artikuléiert Strukturen ze modelléieren déi mat der Ëmwelt interagéieren, déi an der Entwécklung vu Roboteren, biomechanesch Geräter a kënschtlech Intelligenz Systemer benotzt kënne ginn, souwéi an der Schafung vu Grafiken, Animatioun a Computer Spiller. De Motor ass an C geschriwwen, benotzt keng dynamesch Erënnerungsallokatioun, an ass fir maximal Leeschtung optimiséiert.
MuJoCo erlaabt Iech Objekter op engem nidderegen Niveau ze manipuléieren, wärend héich Genauegkeet an extensiv Modellerfäegkeeten ubitt. Modeller ginn definéiert mat der MJCF Zeenbeschreiwungssprooch, déi op XML baséiert a mat engem speziellen Optimiséierungscompiler kompiléiert ass. Zousätzlech zu MJCF ënnerstëtzt de Motor Luede Dateien am universellen URDF (Unified Robot Description Format). MuJoCo bitt och e GUI fir interaktiv 3D Visualiséierung vum Simulatiounsprozess a Rendering vun de Resultater mat OpenGL.
Haaptmerkmale:
- Simulatioun an generaliséiert Koordinaten, ausser gemeinsame Violatioune.
- Ëmgedréint Dynamik, erkennbar och a Präsenz vu Kontakt.
- Benotzt konvex Programméierung fir vereenegt Aschränkungen a kontinuéierlecher Zäit ze formuléieren.
- D'Kapazitéit fir verschidde Restriktiounen ze setzen, dorënner mëll Touch an dréchen Reibung.
- Simulatioun vu Partikelsystemer, Stoffer, Seeler a mëllen Objeten.
- Aktuatoren (Actuatoren), dorënner Motore, Zylinder, Muskelen, Sehnen a Kurbelmechanismus.
- Solvers baséiert op Newton, konjugéiert Gradient a Gauss-Seidel Methoden.
- Méiglechkeet fir pyramidesch oder elliptesch Reibungskegel ze benotzen.
- Benotzt Äre Choix vun Euler oder Runge-Kutta numeresch Integratiounsmethoden.
- Multi-threaded Diskretiséierung a finit Differenz Approximatioun.
Source: opennet.ru