DeepMind отвора код за физички симулатор MuJoCo

DeepMind го отвори изворниот код на моторот за симулирање на физички процеси MuJoCo (Multi-Joint dynamics with Contact) и го префрли проектот на отворен развоен модел, што подразбира можност членовите на заедницата да учествуваат во развојот. Проектот се смета за платформа за истражување и соработка за нови технологии поврзани со симулација на роботи и сложени механизми. Кодот е објавен под лиценцата Apache 2.0. Поддржани се платформите Linux, Windows и macOS.

MuJoCo е библиотека која имплементира мотор за симулирање на физички процеси и моделирање на артикулирани структури во интеракција со околината, што може да се користи во развојот на роботи, биомеханички уреди и системи за вештачка интелигенција, како и во создавање на графика, анимација и компјутер. игри. Моторот е напишан во C, не користи динамична распределба на меморијата и е оптимизиран за максимални перформанси.

MuJoCo ви овозможува да манипулирате со објекти на ниско ниво, истовремено обезбедувајќи висока точност и обемни можности за моделирање. Моделите се дефинираат со користење на јазикот за опис на сцената MJCF, кој се базира на XML и се компајлира со помош на специјален оптимизирачки компајлер. Покрај MJCF, моторот поддржува вчитување датотеки во универзалниот URDF (Unified Robot Description Format). MuJoCo обезбедува и GUI за интерактивна 3D визуелизација на процесот на симулација и прикажување на резултатите користејќи OpenGL.

Главни карактеристики:

• Симулација во генерализирани координати, со исклучок на заеднички прекршувања.
• Обратна динамика, забележлива дури и во присуство на контакт.
• Користење на конвексно програмирање за формулирање унифицирани ограничувања во континуирано време.
• Способност за поставување различни ограничувања, вклучувајќи мек допир и суво триење.
• Симулација на системи на честички, ткаенини, јажиња и меки предмети.
• Активатори (актуатори), вклучувајќи мотори, цилиндри, мускули, тетиви и механизми на чудак.
• Решавачи базирани на методите на Њутн, конјугатен градиент и Гаус-Сајдел.
• Можност за користење пирамидални или елиптични конуси за триење.
• Користете го вашиот избор на методи за нумеричка интеграција на Ојлер или Рунге-Кутта.
• Дискретизација со повеќе навој и приближување на конечни разлики.

Извор: opennet.ru