Project Icon

mujoco

多关节动力学与接触仿真引擎 支持机器人与生物力学研究

MuJoCo是一个开源的通用物理引擎,专注于多关节动力学和接触仿真。该项目由Google DeepMind维护,为机器人学、生物力学、计算机图形和机器学习等领域提供高性能模拟。MuJoCo提供C语言API、Python绑定和Unity插件,支持OpenGL交互式可视化。研究人员和开发者可利用MuJoCo模拟复杂结构与环境的交互,进行高精度高效率的物理仿真研究。

MuJoCo

MuJoCoMulti-Joint dynamics with Contact 的缩写,意为多关节动力学与接触。它是一个通用物理引擎,旨在促进机器人学、生物力学、图形和动画、机器学习等领域的研究和开发,这些领域需要快速准确地模拟与环境交互的关节结构。

该仓库由 Google DeepMind 维护。

MuJoCo 提供 C 语言 API,面向研究人员和开发者。运行时模拟模块经过优化以最大化性能,并操作由内置 XML 编译器预分配的低级数据结构。该库包括交互式可视化功能,具有原生 GUI,使用 OpenGL 渲染。MuJoCo 还提供大量用于计算物理相关量的实用函数。

我们还提供 [Python 绑定] 和 [Unity] 游戏引擎插件。

文档

MuJoCo 的文档可在 [mujoco.readthedocs.io] 找到。即将发布的新功能可以在最新分支的 [更新日志] 中查看。

入门

有两种简单的方法可以开始使用 MuJoCo:

  1. 在您的机器上运行 simulate 这个视频 展示了 simulate(MuJoCo 的原生交互式查看器)的屏幕录像。按照文档 [入门] 部分的步骤,在您的机器上运行 simulate

  2. 探索我们的在线 IPython 笔记本。 如果您是 Python 用户,可以从我们在 Google Colab 上运行的教程笔记本开始:

  • 入门 教程讲解 MuJoCo 基础知识: 在 Colab 中打开
  • LQR 教程合成线性二次型控制器,使人形机器人单腿平衡: 在 Colab 中打开
  • 最小二乘 教程解释如何使用基于 Python 的非线性最小二乘求解器: 在 Colab 中打开
  • MJX 教程提供 MuJoCo XLA(用 JAX 编写的 MuJoCo 分支)的使用示例: 在 Colab 中打开
  • 可微分物理 教程使用从 MuJoCo 物理步骤自动推导的解析梯度训练运动策略: 在 Colab 中打开

安装

预编译二进制文件

版本发布可从 GitHub [发布页面] 获取预编译二进制文件,支持 Linux(x86-64 和 AArch64)、Windows(仅 x86-64)和 macOS(通用)。这是推荐的使用方式。

从源代码构建

希望从源代码构建 MuJoCo 的用户应参考文档的 [从源代码构建] 部分。但请注意,main 分支顶部的提交可能不稳定。

Python(>= 3.8)

原生 Python 绑定(预打包了 MuJoCo 副本)可通过以下命令从 [PyPI] 安装:

pip install mujoco

注意:预构建的 Linux wheels 针对 manylinux2014,请参阅 此处 了解兼容的发行版。有关从源代码构建绑定等更多信息,请参阅文档的 [Python 绑定] 部分。

贡献

我们欢迎社区参与:提问、寻求帮助、报告错误和提出功能请求。要了解更多关于错误报告、功能请求和更雄心勃勃的贡献,请查阅我们的 贡献者指南风格指南

提问

我们欢迎在 GitHub Issues 页面上提出问题和寻求帮助,请聚焦于特定问题或疑问。

Discussions 应用于讨论可能需要多方参与的更广泛问题。

以下是提出好问题的一些指导原则:

  1. 搜索现有的问题或议题,看是否涉及相同主题。

    您可以在现有线程上添加评论或开启新的线程。如果您开启新线程,且存在相关线程,请链接到它们。

  2. 使用清晰具体的标题。尝试包含关键词,使您的问题易于他人将来查找。

  3. 简要介绍自己和您的项目背景。

    如果您的专业水平特别高或特别低,且这可能与我们对您知识的假设有关,请也说明这一点。

  4. 退一步告诉我们你想要达成什么目标,如果我们了解你的目标,我们可能会建议一种不同于你正在遇到问题的解决方案。

  5. 让其他人易于重现问题或理解你的问题。

    如果需要模型,请包含它。尽量使模型最小化:删除与你问题无关的元素。纯XML模型应内联。需要二进制资产(网格、纹理)的模型,应作为.zip文件附加。请确保在附加之前所包含的模型是可加载的。

  6. 如果相关,请包含说明性的截图或视频。

  7. 告诉我们你是如何访问MuJoCo的(C API、Python绑定等),以及你使用的MuJoCo版本和操作系统。

相关软件

MuJoCo是许多环境包的骨干,但这里无法一一列举。以下我们重点关注绑定和转换器。

绑定

这些包让各种语言的用户能够访问MuJoCo功能:

第一方绑定:

  • Python绑定
    • dm_control, Google DeepMind的相关环境栈,包括PyMJCF,一个用于程序化操作MuJoCo模型的模块。
  • C#绑定和Unity插件

第三方绑定:

  • WebAssembly: mujoco_wasm 由@zalo开发,@kevinzakka贡献,基于@stillonearth的emscripten构建。

    :arrow_right: 点击此处在浏览器中体验MuJoCo的实时演示。

  • MATLAB Simulink: MuJoCo模拟器的Simulink模块集,由Manoj Velmurugan开发。

  • Swift: swift-mujoco

  • Java: mujoco-java

  • Julia: MuJoCo.jl

转换器

  • OpenSim: MyoConverter将OpenSim模型转换为MJCF。
  • SDFormat: gz-mujoco是一个双向SDFormat <-> MJCF转换工具。
  • OBJ: obj2mjcf是一个将复合OBJ文件转换为可加载MJCF模型的脚本。

引用

如果你在已发表的研究中使用MuJoCo,请引用:

@inproceedings{todorov2012mujoco,
  title={MuJoCo: A physics engine for model-based control},
  author={Todorov, Emanuel and Erez, Tom and Tassa, Yuval},
  booktitle={2012 IEEE/RSJ International Conference on Intelligent Robots and Systems},
  pages={5026--5033},
  year={2012},
  organization={IEEE},
  doi={10.1109/IROS.2012.6386109}
}

许可和免责声明

版权所有 2021 DeepMind Technologies Limited。

Box碰撞代码(engine_collision_box.c)版权所有 2016 Svetoslav Kolev。

doc目录中的ReStructuredText文档、图像和视频根据知识共享署名4.0(CC BY 4.0)许可提供。你可以在https://creativecommons.org/licenses/by/4.0/legalcode获取许可的副本。

源代码根据Apache License, Version 2.0许可。你可以在https://www.apache.org/licenses/LICENSE-2.0获取许可的副本。

这不是Google官方支持的产品。

项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号