DeepMind har öppnat källkoden för motorn för att simulera fysiska processer MuJoCo (Multi-Joint dynamics with Contact) och överfört projektet till en öppen utvecklingsmodell, vilket innebär möjligheten för communitymedlemmar att delta i utvecklingen. Projektet ses som en plattform för forskning och samarbete kring nya teknologier relaterade till simulering av robotar och komplexa mekanismer. Koden publiceras under Apache 2.0-licensen. Linux, Windows och macOS-plattformar stöds.
MuJoCo är ett bibliotek som implementerar en motor för att simulera fysiska processer och modellera artikulerade strukturer som interagerar med omgivningen, som kan användas i utvecklingen av robotar, biomekaniska enheter och artificiella intelligenssystem, såväl som i skapandet av grafik, animation och dator. spel. Motorn är skriven i C, använder inte dynamisk minnesallokering och är optimerad för maximal prestanda.
MuJoCo låter dig manipulera objekt på en låg nivå, samtidigt som den ger hög noggrannhet och omfattande modelleringsmöjligheter. Modeller definieras med MJCF-scenbeskrivningsspråket, som är baserat på XML och kompilerat med en speciell optimeringskompilator. Förutom MJCF stöder motorn laddning av filer i det universella URDF (Unified Robot Description Format). MuJoCo tillhandahåller också ett GUI för interaktiv 3D-visualisering av simuleringsprocessen och rendering av resultaten med OpenGL.
Viktiga funktioner:
- Simulering i generaliserade koordinater, exklusive brott mot leder.
- Omvänd dynamik, bestäms även i närvaro av kontakt.
- Använda konvex programmering för en enhetlig formulering av begränsningar i kontinuerlig tid.
- Möjlighet att ställa in olika begränsningar, inklusive soft touch och torr friktion.
- Simulering av partikelsystem, tyger, rep och mjuka föremål.
- Exekutiva element (ställdon), inklusive motorer, cylindrar, muskler, senor och vevmekanismer.
- Lösare baserade på Newtons metoder, konjugerade gradienter och Gauss-Seidel.
- Möjlighet att använda pyramidformade eller elliptiska friktionskoner.
- Använder valet av numeriska integrationsmetoder för Euler eller Runge-Kutta.
- Flertrådad diskretisering och approximation med metoden för ändliga skillnader.
Källa: opennet.ru