A Google tulajdonában lévő cég A "DeepMind" a mesterséges intelligencia területén végzett fejlesztéseiről ismert valamint olyan neurális hálózatok kiépítése, amelyek emberi szinten képesek számítógépes játékokat játszani, a közelmúltban bejelentette a MuJoCo fizikai folyamatok szimulálására szolgáló motort (Multi-Joint Dynamics with Contact).
A motor tCélja olyan tagolt struktúrák modellezése, amelyek kölcsönhatásba lépnek a környezettel, valamint szimulációra használják robotok és mesterséges intelligencia rendszerek fejlesztésében, a kész eszköz formájában kifejlesztett technológia megvalósítását megelőző szakaszban.
A MuJoCo egy édes pontot ér el érintkezési modelljével, amely pontosan és hatékonyan rögzíti az érintkező tárgyak kiemelkedő tulajdonságait. Más merev test szimulátorokhoz hasonlóan elkerüli a finom részletek deformálódását az érintkezési helyen, és gyakran sokkal gyorsabban fut, mint a valós időben. Más szimulátorokkal ellentétben a MuJoCo a konvex Gauss-elv alapján oldja meg az érintkezési erőket.
A konvexitás egyedi megoldásokat és jól meghatározott inverz dinamikát biztosít. A modell emellett rugalmas, több paramétert biztosít, amelyek az érintkezési jelenségek széles skálájához közelíthetők.
A kód C / C ++ nyelven van írva és az Apache 2.0 licenc alatt fog megjelenni, és lesz is Linux, Windows és macOS platformok támogatása. A projekthez kapcsolódó összes forráskód nyitó munkája a tervek szerint 2022-ben fejeződik be, ezt követően a MuJoCo nyitott fejlesztési modellre tér át, ami magában foglalja a közösségi képviselők fejlesztésében való részvétel lehetőségét.
A MuJoCo-ról
A MuJoCo egy könyvtár általános célú fizikai szimulációs motorral mi se használható robotok, biomechanikai eszközök és gépi tanulási rendszerek kutatásában és fejlesztésében, valamint grafikai, animációs és számítógépes játékok készítésében. A szimulációs motor a maximális teljesítményre van optimalizálva, és alacsony szinten teszi lehetővé az objektumkezelést, miközben nagy pontosságot és gazdag szimulációs képességeket biztosít.
Mivel sok szimulátort eredetileg játékokhoz és filmekhez terveztek, néha olyan parancsikonokat használnak, amelyek a stabilitást helyezik előtérbe a pontossággal szemben. Például figyelmen kívül hagyhatják a giroszkópos erőket, vagy közvetlenül módosíthatják a sebességet. Ez különösen káros lehet az optimalizálás kontextusában: amint azt Karl Sims művész és kutató először megjegyezte, az optimalizáló ügynök gyorsan felfedezheti és kihasználhatja ezeket a valóságtól való eltéréseket.
Ezzel szemben a MuJoCo egy másodrendű folyamatos időszimulátor, amely a teljes mozgásegyenleteket valósítja meg. Az ismerős, de nem triviális fizikai jelenségek, mint a Newton bölcsője, valamint az olyan intuitív jelenségek, mint a Dzsanibekov-effektus, természetesen jelennek meg. Végső soron a MuJoCo szorosan ragaszkodik a világunkat irányító egyenletekhez.
A modellek meghatározása az XML-alapú MJCF jelenetleíró nyelv használatával történik dedikált optimalizáló fordítóval összeállítva. Az MJCF mellett a motor támogatja a fájlok feltöltését Unified Robot Description Format (URDF) formátumban. A MuJoCo grafikus felületet is biztosít a szimulációs folyamat interaktív 3D-s megjelenítéséhez és az eredmények OpenGL használatával történő megjelenítéséhez.
Főbb jellemzői közül a következőket emelik ki:
- Szimuláció általánosított koordinátákkal, ízületi törések kiküszöbölésével.
- Fordított dinamika, még érintkezés esetén is észlelhető.
- Konvex programozás alkalmazása kényszerek egységes megfogalmazására folyamatos időben.
- Különféle korlátozások beállítása, beleértve a lágy érintést és a száraz súrlódást.
- Részecskerendszerek, szövetek, kötelek és puha tárgyak szimulációja.
- Működtetők (működtetők), beleértve a motorokat, hengereket, izmokat, inakat és forgattyús mechanizmusokat.
- Newton-módszeren, konjugált gradiensen és Gauss-Seidelen alapuló felbontási programok.
- Lehetőség van piramis vagy ellipszis alakú súrlódó kúpok használatára.
- Válogatott Euler vagy Runge-Kutta numerikus integrációs módszerek alkalmazása.
- Diszkretizálás és többfolyamatos közelítés véges differencia módszerrel.
Végül, ha többet szeretne megtudni róla, akkor tanulmányozza a részleteket A következő linken.