Công ty do Google sở hữu "DeepMind" được biết đến với những phát triển trong lĩnh vực trí tuệ nhân tạo và việc xây dựng các mạng thần kinh có khả năng chơi các trò chơi máy tính ở cấp độ con người, gần đây đã công bố công cụ để mô phỏng các quá trình vật lý MuJoCo (Động lực học đa khớp có liên hệ).
Động cơ tMục tiêu là mô hình hóa các cấu trúc khớp nối tương tác với môi trường, và nó được sử dụng để mô phỏng trong quá trình phát triển robot và hệ thống trí tuệ nhân tạo, trong giai đoạn trước khi triển khai công nghệ được phát triển dưới dạng một thiết bị hoàn thiện.
MuJoCo đạt được điểm tốt với mô hình tiếp xúc của nó, mô hình này nắm bắt chính xác và hiệu quả các đặc điểm nổi bật của các đối tượng tiếp xúc. Giống như các thiết bị mô phỏng thân cứng khác, nó tránh biến dạng chi tiết nhỏ tại vị trí tiếp xúc và thường chạy nhanh hơn nhiều so với thời gian thực. Không giống như các trình mô phỏng khác, MuJoCo giải quyết các lực tiếp xúc bằng cách sử dụng nguyên tắc Gaussian lồi.
Độ lồi đảm bảo các giải pháp duy nhất và động lực học nghịch đảo được xác định rõ ràng. Mô hình này cũng linh hoạt, cung cấp nhiều tham số có thể được điều chỉnh để gần đúng với một loạt các hiện tượng tiếp xúc.
Mã được viết bằng C / C ++ và nó sẽ được phát hành theo giấy phép Apache 2.0 và nó sẽ có hỗ trợ cho các nền tảng Linux, Windows và macOS. Công việc mở của tất cả các mã nguồn liên quan đến dự án dự kiến hoàn thành vào năm 2022, sau đó MuJoCo sẽ chuyển sang mô hình phát triển mở, điều này ngụ ý khả năng tham gia phát triển của các đại diện cộng đồng.
Về MuJoCo
MuJoCo là một thư viện có công cụ mô phỏng vật lý đa năng cái gìe có thể được sử dụng trong nghiên cứu và phát triển robot, thiết bị cơ sinh học và hệ thống máy học, cũng như trong việc tạo ra đồ họa, hoạt hình và trò chơi máy tính. Công cụ mô phỏng được tối ưu hóa để đạt hiệu suất tối đa và cho phép thao tác đối tượng ở mức thấp, đồng thời cung cấp độ chính xác cao và khả năng mô phỏng phong phú.
Bởi vì nhiều trình mô phỏng ban đầu được thiết kế cho các mục đích như trò chơi và phim, đôi khi chúng sử dụng các phím tắt ưu tiên độ ổn định hơn độ chính xác. Ví dụ, họ có thể bỏ qua lực con quay hồi chuyển hoặc trực tiếp sửa đổi tốc độ. Điều này có thể gây hại đặc biệt trong bối cảnh tối ưu hóa: Như nghệ sĩ và nhà nghiên cứu Karl Sims lần đầu tiên quan sát thấy, tác nhân tối ưu hóa có thể nhanh chóng phát hiện và khai thác những sai lệch này so với thực tế.
Ngược lại, MuJoCo là một trình mô phỏng thời gian liên tục bậc hai thực hiện các phương trình chuyển động đầy đủ. Các hiện tượng vật lý quen thuộc nhưng không tầm thường như Cái nôi của Newton, cũng như những hiện tượng không trực quan như hiệu ứng Dzhanibekov, xuất hiện một cách tự nhiên. Cuối cùng, MuJoCo bám sát vào các phương trình chi phối thế giới của chúng ta.
Mô hình được xác định bằng ngôn ngữ mô tả cảnh MJCF dựa trên XML được biên dịch bằng một trình biên dịch tối ưu hóa chuyên dụng. Ngoài MJCF, công cụ hỗ trợ tải lên các tệp ở Định dạng Mô tả Robot Hợp nhất (URDF). MuJoCo cũng cung cấp giao diện đồ họa để trực quan hóa 3D tương tác về quá trình mô phỏng và biểu diễn kết quả bằng OpenGL.
Trong số các đặc điểm chính của nó, nổi bật sau:
- Mô phỏng theo các tọa độ tổng quát, loại bỏ các đứt khớp.
- Động lực học ngược, có thể phát hiện ngay cả khi có tiếp xúc.
- Sử dụng lập trình lồi để xây dựng thống nhất các ràng buộc trong thời gian liên tục.
- Khả năng thiết lập các hạn chế khác nhau, bao gồm cảm ứng mềm và ma sát khô.
- Mô phỏng hệ thống hạt, mô, dây thừng và các vật thể mềm.
- Cơ cấu truyền động (bộ truyền động), bao gồm động cơ, xi lanh, cơ, gân và cơ cấu tay quay.
- Các chương trình phân giải dựa trên các phương pháp của Newton, gradient liên hợp và Gauss-Seidel.
- Khả năng sử dụng hình nón ma sát hình chóp hoặc hình elip.
- Sử dụng lựa chọn các phương pháp tích phân số Euler hoặc Runge-Kutta.
- Sự rời rạc hóa và xấp xỉ đa xử lý bằng phương pháp sai phân hữu hạn.
Cuối cùng, nếu bạn quan tâm có thể biết thêm về nó, bạn có thể tham khảo chi tiết Trong liên kết sau đây.