DeepMind представила симулятор физических процессов MuJoCo

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.


Содержание статьи соответствует нашим принципам редакционная этика. Чтобы сообщить об ошибке, нажмите здесь.

Будьте первым, чтобы комментировать

Оставьте свой комментарий

Ваш электронный адрес не будет опубликован. Обязательные для заполнения поля помечены *

*

*

  1. Ответственный за данные: AB Internet Networks 2008 SL
  2. Назначение данных: контроль спама, управление комментариями.
  3. Легитимация: ваше согласие
  4. Передача данных: данные не будут переданы третьим лицам, кроме как по закону.
  5. Хранение данных: база данных, размещенная в Occentus Networks (ЕС)
  6. Права: в любое время вы можете ограничить, восстановить и удалить свою информацию.