0
昨天，DeepMind發(fā)帖，稱已經收購了用于機器人研發(fā)的MuJoCo物理引擎，目前正致力于開源MuJoCo，并打算在2022年對所有人免費開放！
此次希望通過收購MuJoCo，推動全球各地的機器人研究工作。
當開源系統(tǒng)完成后，MuJoco將搬到開源社區(qū)GitHub。擁有MuJoCo付費許可證的客戶可以使用roboti。
開源地址：https://github.com/deepmind/mujoco
當你走路時，你的腳與地面接觸。
當你寫字時，你的手指和筆接觸。
身體接觸使與世界的互動成為可能。
然而，對于這種常見的現象，卻有一系列的復雜的模擬接觸的難題。在微觀尺度上，發(fā)生在兩物體的界面上，接觸可以是軟的或硬的，有彈性的或海綿性的，滑的或粘的。這種微妙的復雜性使得模擬身體接觸成為一項棘手的任務。對機器人研究來說，這卻是一項繞不開的研究課題。
這時，MuJoCo上場。MuJoCo是“多關節(jié)接觸動力學”的英語首字母簡寫(Multi Joint Dynamics withContact)。最初它被用于華盛頓大學運動控制實驗室，現在已被廣泛的研究人員和開發(fā)人員所采用。MuJoCo 是一個旨在促進機器人，生物力學，圖形和動畫等領域的研究和開發(fā)的物理引擎。它是第一個專為模型優(yōu)化而設計的模擬器，并且它專門針對物體之間的接觸進行了優(yōu)化。
作為一個通用的模擬器，MuJoCo最初開發(fā)始于 2009年。因當時 華盛頓大學運動控制實驗室發(fā)現現有的工具在最優(yōu)控制，狀態(tài)估計和系統(tǒng)識別等研究領域的不足而誕生。后來 MuJoCo很快成為模擬環(huán)境和真實環(huán)境構建智能控制器的基礎工具，被很多用戶社區(qū)所采用。這些項目一般在其數值優(yōu)化的內層循環(huán)中調用了模擬器，而這對仿真環(huán)境的精確性和穩(wěn)定性提出了很高的要求，因為這些項目在數值優(yōu)化的過程中會自動的尋找模擬器的漏洞。同時這些項目可能要求對動力模型進行求導或者采樣，這也相應的要 求模擬器的模擬速度要比真實世界快一些。這些要求都超出了現有模擬器的能力，相應地促進了 MuJoCo逐步開發(fā)出了新的算法或者微調現有的實現方法。
OpenAI曾開發(fā)了一種模型，希望能夠通過MuJoCo模擬單手解決魔方，但后來不了了之。歪打正著，卻使MuJoCo被廣泛關注?，F在，它不僅擁有豐富的接觸模型、強大的場景描述語言和設計良好的API，還可以被DeepMind繼續(xù)改進，作為一個免費的預編譯庫。
DeepMind就此次收購發(fā)表了一篇博客，稱MuJoCo一直是其機器人團隊的“首選物理模擬器”。據DeepMind稱，機器人工程師使用的許多模擬器最初是為游戲和電影等目的設計的。所以他們有時會走捷徑，把穩(wěn)定性放在準確性之上。DeepMind表示，MuJoCo并非如此。
“MuJoCo是一個二階連續(xù)時間模擬器，實現了完整的運動方程，”對于熟悉但不平凡的物理現象，如牛頓擺（Newton’s Cradle ）、以及像網球拍效應（Dzhanibekov effect）這樣不直觀的物理現象，MuJoCo都能準確模擬。
MuJoCo的接觸模型擊中了一個最佳點，它準確而有效地捕捉了接觸對象的顯著特征?！毕衿渌麆傮w模擬器一樣，它避免了接觸點變形的細節(jié)，通常運行速度比實時快得多。與其他模擬器不同，MuJoCo使用凸高斯原理（convex Gauss Principle）來解決接觸力。凸性保證了唯一解和定義良好的逆動力學。另外，該模型相當靈活，可以提供多個參數，用來調整以近似廣泛的接觸現象。
DeepMind表示，他們一直在使用MuJoCo作為各種項目的模擬平臺，主要是通過其dm_control Python堆棧。
現在MuJoCo在多接觸面環(huán)境下在仿真速度和準確性方面的表現都要由于其他仿真環(huán)境。具體來說，MuJoCo具有如下特性：
（1）逆動力學即使存在接觸也能被很好地定義；
（2）通過凸優(yōu)化統(tǒng)一連續(xù)時間制約約束；
（3）約束包括軟接觸，限制，干摩擦，平等約束；
（4）可以模擬粒子系統(tǒng)，布料，繩索和軟物體；
（5）執(zhí)行器包括馬達，氣缸，肌肉，肌腱，滑塊，曲柄；
（6）直觀的XML模型格式(稱為 MJCF)和內置模型編譯器；
（7）跨平臺GUI，在OpenGL中實現交互式3D可視化；
（8）使用ANSI C編寫的運行時模塊，并針對性能進行手動調整。
在這里我們概述了最著名的幾個：
可移植代碼
MuJoCo的核心引擎是用純C語言編寫，方便移植到各種架構中。MuJoCo庫產生確定性結果、場景描述和仿真狀態(tài)完全封裝在兩個數據結構中，構成了重建模擬所需的所有信息。該庫還提供了快速和方便的常用量的計算，如運動雅可比矩陣和慣性矩陣（kinematic Jacobians and inertia matrices.）。
強大的場景描述
MJCF場景描述格式使用級聯默認值（避免多個重復值）并包含真實機器人組件的元素，如等式約束、動作捕捉標記、肌腱、執(zhí)行器和傳感器。長期路線圖包括將MJCF作為一種開放格式進行標準化，將其實用性擴展到MuJoCo生態(tài)系統(tǒng)之外。
下面是幾個用MuJoCo模擬物理運動與實物圖的對比：
雷鋒網
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
