L'empresa propietat de Google DeepMind coneguda pels seus desenvolupaments en el camp de la intel·ligència artificial i la construcció de xarxes neuronals capaces de jugar jocs dordinador a nivell humà, va anunciar fa poc el motor per simular processos físics MuJoCo (Multi-Joint Dynamics with Contact).
El motor tcom a objectiu modelar estructures articulades que interactuen amb l'entorn, i es fa servir per a la simulació en el desenvolupament de robots i sistemes d'intel·ligència artificial, en una etapa prèvia a la implementació de la tecnologia desenvolupada en forma de dispositiu acabat.
MuJoCo aconsegueix un punt òptim amb el seu model de contacte, que captura de manera precisa i eficient les característiques excel·lents dels objectes en contacte. Igual que altres simuladors de cos rígid, evita els detalls fins de les deformacions al lloc de contacte i, sovint, sexecuta molt més ràpid que en temps real. A diferència d'altres simuladors, MuJoCo resol les forces de contacte utilitzant el principi convex de Gauss.
La convexitat assegura solucions úniques i dinàmiques inverses ben definides. El model també és flexible, proporcionant múltiples paràmetres que es poden ajustar per aproximar-se a una àmplia gamma de fenòmens de contacte.
El codi està escrit en C/C++ i es publicarà sota la llicència Apache 2.0 i aquest tindrà suport per a les plataformes Linux, Windows i macOS. El treball d'obertura de tots els codis font associats al projecte està previst que es completi el 2022, i per això MuJoCo passarà a un model de desenvolupament obert, la qual cosa implica la possibilitat de participació en el desenvolupament dels representants de la comunitat.
Sobre MuJoCo
MuJoCo és una biblioteca amb un motor de simulació de física de propòsit general que se pot utilitzar en la investigació i el desenvolupament de robots, dispositius biomecànics i sistemes d'aprenentatge automàtic, així com en la creació de gràfics, animació i jocs dordinador. El motor de simulació està optimitzat per a un rendiment màxim i permet la manipulació dobjectes a un nivell baix, alhora que proporciona alta precisió i capacitats de simulació riques.
Com que molts simuladors es van dissenyar inicialment per a propòsits com jocs i cinema, de vegades prenen dreceres que prioritzen l'estabilitat sobre la precisió. Per exemple, poden ignorar les forces giroscòpiques o modificar-ne directament les velocitats. Això pot ser particularment nociu en el context de l'optimització: com ho va observar per primera vegada l'artista i investigador Karl Sims, un agent d'optimització pot descobrir i explotar ràpidament aquestes desviacions de la realitat.
Per contra, MuJoCo és un simulador de temps continu de segon ordre que implementa les equacions de moviment completes. Fenòmens físics familiars però no trivials com Newton's Cradle, així com altres poc intuïtius com l'efecte Dzhanibekov, emergeixen naturalment. En darrera instància, MuJoCo s'adhereix de prop a les equacions que governen el nostre món.
Els models es defineixen utilitzant el llenguatge de descripció d'escenes MJCF basat en XML compilat amb un compilador dʻoptimització dedicat. A més de MJCF, el motor admet la càrrega de fitxers en el format de descripció de robot unificat (URDF). MuJoCo també proporciona una interfície gràfica per a la visualització interactiva en 3D del procés de simulació i la representació de resultats utilitzant OpenGL.
De les seves característiques clau se'n destaquen les següents:
- Simulació en coordenades generalitzades, eliminant trencaments articulars.
- Dinàmica inversa, detectable fins i tot quan hi ha contacte.
- Ús de la programació convexa per a la formulació unificada de restriccions en temps continu.
- Capacitat per establir diverses restriccions, inclòs el tacte suau i la fricció en sec.
- Simulació de sistemes de partícules, teixits, cordes i objectes tous.
- Actuadors (actuadors), inclosos motors, cilindres, músculs, tendons i mecanismes de maneta.
- Programes de resolució basats en mètodes de Newton, gradient conjugat i Gauss-Seidel.
- Possibilitat d'utilitzar cons de fricció piramidals o el·líptics.
- Utilització duna selecció de mètodes dintegració numèrica dEuler o Runge-Kutta.
- Discretització i aproximació multiprocés pel mètode de diferències finites.
Finalment si estàs interessat en poder conèixer més a l'respecte, pots consultar els detalls en el següent enllaç.