Компания принадлежит Google «DeepMind» известна своими разработками в области искусственного интеллекта. и построение нейронных сетей, способных играть в компьютерные игры на человеческом уровне, недавно анонсирован движок для моделирования физических процессов MuJoCo (Многосуставная динамика с контактом).
Мотор tОн направлен на моделирование сочлененных структур, которые взаимодействуют с окружающей средой, и он используется для моделирования при разработке роботов и систем искусственного интеллекта на этапе, предшествующем внедрению технологии, разработанной в виде готового устройства.
MuJoCo достигает идеального результата благодаря своей контактной модели, которая точно и эффективно отражает основные характеристики соприкасающихся объектов. Как и другие симуляторы твердого тела, он позволяет избежать деформации мелких деталей в месте контакта и часто работает намного быстрее, чем в реальном времени. В отличие от других симуляторов, MuJoCo решает контактные силы, используя принцип выпуклого Гаусса.
Выпуклость обеспечивает уникальные решения и четко определенную обратную динамику. Модель также является гибкой, предоставляя множество параметров, которые можно регулировать, чтобы приблизиться к широкому диапазону контактных явлений.
Код написан на C / C ++ и он будет выпущен под лицензией Apache 2.0 и будет иметь поддержка платформ Linux, Windows и macOS. Работу по открытию всех связанных с проектом исходных кодов планируется завершить в 2022 году, после чего MuJoCo перейдет к открытой модели разработки, что подразумевает возможность участия в разработке представителей сообщества.
О MuJoCo
MuJoCo - это библиотека с механизмом моделирования физики общего назначения. что сe может использоваться в исследованиях и разработках роботов, биомеханических устройств и систем машинного обучения., а также в создании графики, анимации и компьютерных игр. Механизм моделирования оптимизирован для максимальной производительности и позволяет манипулировать объектами на низком уровне, обеспечивая при этом высокую точность и широкие возможности моделирования.
Поскольку многие симуляторы изначально были разработаны для таких целей, как игры и фильмы, они иногда используют ярлыки, в которых стабильность важнее точности. Например, они могут игнорировать гироскопические силы или напрямую изменять скорость. Это может быть особенно опасным в контексте оптимизации: как впервые заметил художник и исследователь Карл Симс, агент оптимизации может быстро обнаружить и использовать эти отклонения от реальности.
Напротив, MuJoCo - это симулятор непрерывного времени второго порядка, который реализует полные уравнения движения. Знакомые, но нетривиальные физические явления, такие как Колыбель Ньютона, а также неинтуитивные, такие как эффект Джанибекова, возникают естественным образом. В конечном итоге MuJoCo строго придерживается уравнений, которые управляют нашим миром.
Модели определяются с использованием основанного на XML языка описания сцены MJCF. скомпилирован с помощью специального компилятора оптимизации. Помимо MJCF, движок поддерживает загрузку файлов в унифицированном формате описания роботов (URDF). MuJoCo также предоставляет графический интерфейс для интерактивной 3D-визуализации процесса моделирования и представления результатов с помощью OpenGL.
Из его основных характеристик выделяются следующие:
- Моделирование в обобщенных координатах, устранение разрывов суставов.
- Обратная динамика, обнаруживаемая даже при контакте.
- Использование выпуклого программирования для единой формулировки ограничений в непрерывном времени.
- Возможность устанавливать различные ограничения, в том числе soft touch и сухое трение.
- Моделирование систем частиц, тканей, веревок и мягких предметов.
- Приводы (приводы), включая двигатели, цилиндры, мышцы, сухожилия и кривошипно-шатунные механизмы.
- Программы разрешения на основе методов Ньютона, сопряженного градиента и Гаусса-Зейделя.
- Возможность использования пирамидальных или эллиптических конусов трения.
- Использование ряда методов численного интегрирования Эйлера или Рунге-Кутты.
- Дискретизация и многопроцессорная аппроксимация методом конечных разностей.
Наконец, если вам интересно узнать об этом больше, вы можете ознакомиться с подробностями По следующей ссылке.