借助MuJoCo的收购在各地推动研究进展
当你行走时，你的脚与地面接触。当你写字时，你的手指与笔接触。物理接触是实现与世界互动的关键。然而，对于这样一个常见的现象，接触却是一个令人惊讶的复杂现象。接触发生在两个物体的微观尺度的界面上，可以是软或硬、弹性或海绵状、滑或黏。难怪我们的指尖有四种不同类型的触摸传感器。这种微妙的复杂性使得模拟物理接触——机器人研究的重要组成部分——成为一项棘手的任务。
MuJoCo物理模拟器的丰富且高效的接触模型使其成为机器人研究人员的首选之一。今天，我们自豪地宣布，作为DeepMind推进科学的使命的一部分，我们已经收购了MuJoCo，并将其免费提供给所有人，以支持各地的研究。MuJoCo已经在机器人社区广泛使用，包括作为DeepMind机器人团队首选的物理模拟器。MuJoCo具有丰富的接触模型、强大的场景描述语言和精心设计的API。在与社区一起努力改进MuJoCo的同时，我们将将其作为开源软件在许可证下免费提供。在准备代码库的过程中，我们将MuJoCo作为预编译库免费提供。
平衡的接触模型。MuJoCo代表着Multi-Joint Dynamics with Contact（带有接触的多关节动力学），其接触模型准确而高效地捕捉到了接触对象的显著特征。与其他刚体模拟器一样，它避免了接触点的细节变形，并且通常比实时运行速度快得多。与其他模拟器不同，MuJoCo使用凸面高斯原理解决接触力。凸性确保了唯一的解和明确定义的逆动力学。该模型还具有灵活性，提供多个参数，可以调整以近似各种接触现象。
MuJoCo真实的接触现象，如Tippe顶翻转，自然地在MuJoCo中出现，这是由于其对接触的准确描述。
真实的物理，没有捷径。因为许多模拟器最初是为游戏和电影制作等目的而设计的，它们有时会采用优先稳定性而非准确性的捷径。例如，它们可能忽略陀螺力或直接修改速度。这在优化的情况下可能特别有害：正如艺术家和研究人员Karl Sims首次观察到的那样，一个优化代理可以迅速发现并利用这些与现实的偏差。相比之下，MuJoCo是一个二阶连续时间模拟器，实现了完整的运动方程。熟悉但非平凡的物理现象，如牛顿摆，以及不直观的现象，如Dzhanibekov效应，自然而然地出现。最终，MuJoCo与我们的世界的方程密切相符。
MuJoCo能够准确捕捉到牛顿摆中的冲量传播。
真实的（来源：NASA）MuJoCo由于角动量守恒引起的陀螺力导致这种有趣的效果，在零重力环境中可以看到。
可移植的代码，清晰的API。MuJoCo的核心引擎使用纯C编写，这使得它易于在各种架构上移植。该库产生确定性的结果，场景描述和模拟状态完全封装在两个数据结构中。这些结构包含了重新创建模拟所需的所有信息，包括中间阶段的结果，为内部提供了简单访问的方式。该库还提供了快速和方便的常用量的计算，如运动学雅可比矩阵和惯性矩阵。
强大的场景描述。MJCF场景描述格式使用级联默认值，避免多次重复的值，并包含了实际世界机器人组件的元素，如等式约束、运动捕捉标记、肌腱、执行器和传感器。我们的长期路线图包括将MJCF作为开放格式标准化，以扩展其在MuJoCo生态系统之外的用途。
生物力学模拟。MuJoCo包括两个强大的功能，支持人类和动物的肌肉骨骼模型。包括绕骨骼缠绕的空间肌腱布线，意味着施加的力可以正确地分布到关节上，描述了诸如膝盖的可变力臂等复杂效应。MuJoCo的肌肉模型捕捉了生物肌肉的复杂性，包括激活状态和力长-速度曲线。
通过在肌腱上施加的力驱动，模拟的人类腿部围绕运动。请注意胫骨沿股骨滑动的情况。基于Lai, Arnold & Wakeling (2017)。
《美国国家科学院院刊》最近的一篇论文探讨了机器人仿真的现状，并将开源工具视为推动研究进展的关键。作者建议开发和验证开源仿真平台，并建立开放和社区维护的验证模型库。为了实现这些目标，我们致力于将MuJoCo开发和维护为一个具有一流能力的免费、开源、社区驱动的项目。我们目前正在努力准备将MuJoCo完全开源，并鼓励您从新首页下载软件并访问GitHub存储库，如果您想做出贡献。如果您有任何问题或建议，请给我们发送电子邮件，如果您也对推动现实物理仿真的边界感到兴奋，我们正在招聘。我们不能保证能够立即解决所有问题，但我们渴望共同努力，使MuJoCo成为我们一直在等待的物理模拟器。
MuJoCo在DeepMind中的应用。我们的机器人团队一直在使用MuJoCo作为各种项目的仿真平台，主要通过我们的dm_control Python工具包。在下面的旋转木马中，我们突出展示了一些示例，以展示MuJoCo可以模拟的内容。当然，这些片段仅代表研究人员可能使用该仿真器的广泛可能性中的一小部分。要获取这些片段的更高质量版本，请点击此处。
上一页 下一页和社区中的其他人一样，我们的机器人团队一直将MuJoCo作为各种项目的仿真平台。在上面的蒙太奇中，我们突出展示了一些示例，展示了这个工具的实际效果。当然，这些视频片段仅代表机器人学家如何利用该仿真器推进他们的研究的广泛可能性的一小部分。