DeepMind ir atvēris dzinēja pirmkodu fizisko procesu simulācijai MuJoCo (Multi-Joint dynamics with Contact) un pārcēlis projektu uz atvērtas izstrādes modeli, kas paredz iespēju kopienas locekļiem piedalīties izstrādē. Projekts tiek uzskatīts par platformu pētniecībai un sadarbībai jaunu tehnoloģiju jomā, kas saistītas ar robotu un sarežģītu mehānismu simulāciju. Kods ir publicēts saskaņā ar Apache 2.0 licenci. Tiek atbalstītas Linux, Windows un macOS platformas.
MuJoCo ir bibliotēka, kas ievieš dzinēju fizisko procesu simulācijai un ar vidi mijiedarbojošu artikulētu struktūru modelēšanai, ko var izmantot robotu, biomehānisko ierīču un mākslīgā intelekta sistēmu izstrādē, kā arī grafikas, animācijas un datoru izveidē. spēles. Dzinējs ir rakstīts C valodā, neizmanto dinamisku atmiņas piešķiršanu un ir optimizēts maksimālai veiktspējai.
MuJoCo ļauj manipulēt ar objektiem zemā līmenī, vienlaikus nodrošinot augstu precizitāti un plašas modelēšanas iespējas. Modeļi tiek definēti, izmantojot MJCF ainu apraksta valodu, kas ir balstīta uz XML un tiek apkopota, izmantojot īpašu optimizācijas kompilatoru. Papildus MJCF dzinējs atbalsta failu ielādi universālajā URDF (Unified Robot Description Format) formātā. MuJoCo nodrošina arī GUI simulācijas procesa interaktīvai 3D vizualizācijai un rezultātu renderēšanai, izmantojot OpenGL.
Galvenās iezīmes:
- Simulācija vispārinātās koordinātēs, izslēdzot locītavu pārkāpumus.
- Apgrieztā dinamika, nosakāma pat kontakta klātbūtnē.
- Izliektas programmēšanas izmantošana, lai formulētu vienotus ierobežojumus nepārtrauktā laikā.
- Iespēja iestatīt dažādus ierobežojumus, tostarp mīkstu pieskārienu un sauso berzi.
- Daļiņu sistēmu, audumu, virvju un mīkstu priekšmetu simulācija.
- Izpildmehānismi (izpildmehānismi), ieskaitot motorus, cilindrus, muskuļus, cīpslas un kloķa mehānismus.
- Risinātāji, kuru pamatā ir Ņūtona, konjugāta gradienta un Gausa-Seidela metodes.
- Iespēja izmantot piramīdas vai elipsveida berzes konusus.
- Izmantojiet savu izvēlēto Eulera vai Runge-Kutta skaitliskās integrācijas metodes.
- Daudzpavedienu diskretizācija un galīgo starpību aproksimācija.
Avots: opennet.ru