DeepMind најави отворање на симулатор на физички процеси MuJoCo

Компанијата во сопственост на Google DeepMind, позната по развојот на полето на вештачката интелигенција и изградбата на невронски мрежи способни за играње компјутерски игри на човечко ниво, објави дека открил мотор за симулирање физички процеси MuJoCo (Multi-Joint dynamics with Contact ). Моторот е наменет за моделирање на артикулирани структури во интеракција со околината и се користи за симулација во развојот на роботи и системи за вештачка интелигенција, во фазата пред имплементацијата на развиената технологија во форма на готов уред.

Кодот е напишан во C/C++ и ќе биде објавен под лиценцата Apache 2.0. Поддржани се платформите Linux, Windows и macOS. Работата со отворен код на целата содржина на проектот се очекува да биде завршена во 2022 година, по што MuJoCo ќе премине кон модел на отворен развој кој им овозможува на членовите на заедницата да учествуваат во развојот.

MuJoCo е библиотека која имплементира мотор за симулација на физички процеси за општа намена што може да се користи во истражување и развој на роботи, биомеханички уреди и системи за машинско учење, како и во креирање на графика, анимација и компјутерски игри. Симулацискиот мотор е оптимизиран за максимални перформанси и овозможува манипулација со објекти на ниско ниво, истовремено обезбедувајќи висока прецизност и богати симулациски способности.

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