<unk>科:接触丰富机器人研究标准物理引擎

微秒次步骤时间,分析接触解法,可分化JAX后端 (MJX),以及校准机器人模型的策划动物园 MuJoCo自2012年以来一直是操纵和巧妙手动RL的默认选择,并且2021年开源版本使其成为机器人学习课程中最广泛教学的模拟器.

Apache-2.0 许可证 2000+ Hz CPU 步骤 MJX GPU 平行性

什么是MuJoCo?

MuJoCo是"与联系的多关联动态"的缩写,这是Emo Todorov在华盛顿大学2012年创建的一般用途物理引擎,后来由Google DeepMind收购,并于2022年在Apache 2.0许可下发布为完全开源. 在ODE,Bullet和PhysX等早期引擎通过反复速度级解决器接触时,MuJoCo将接触作为软和弹性变体的曲优化问题,在大步尺寸上产生稳定行为,并通过动态实现第一级分析衍生品.

由于这种数学基础,Mujoko已成为接触丰富的操纵研究的默认模拟器. 手重定向策略,布料和绳索操纵,双手机远程操作重播和人形移动控制器都是Mujoko的软接触模型和分析雅科比人超越依赖惩罚方法或LCP公式的引擎的领域. 2023年推出MJX将这些优势扩展到GPU平行训练,从单线桌面实验中允许相同的MJCF模型规模到H100上的16384个平行环境.

对于机器人团队来说,MuJoCo的实际价值是其速度,可再生性和最小的安装足迹的组合.一个新鲜的MuJoCo设置是单个T2,没有编译步骤,没有CUDA工具链,没有40GB的全文下载. 这使得它成为CI管道,纸质复制脚本和课堂教材的自然选择,

安装快启动

在任何现代Linux,macOS或Windows工作站上,一个最小的MuJoCo安装时间不到五分钟.安装MuJoCo本身,拉出优质机器人模型的管理Menagerie库,并确认观众启动:

# Install MuJoCo Python bindings
pip install mujoco

# Pull calibrated robot models (Franka, UR5e, ALOHA, G1, etc.)
git clone https://github.com/google-deepmind/mujoco_menagerie.git

# Launch the interactive viewer on a sample model
python -m mujoco.viewer --mjcf=mujoco_menagerie/franka_emika_panda/scene.xml

对于RL训练,添加Gymnasium和Stable-Baselines3 (或任何与Gymnasium兼容的训练师).对于GPU平行部署,安装MJX,它是作为主要MuJoCo存储库的一部分,并运行在JAX上:

pip install gymnasium stable-baselines3 mujoco-mjx
# Verify MJX can JIT-compile a model and step it on GPU
python -c "import mujoco, mujoco.mjx as mjx; \
m = mujoco.MjModel.from_xml_path('mujoco_menagerie/franka_emika_panda/scene.xml'); \
mx = mjx.put_model(m); \
print('MJX ready:', mx.nq, 'DoF')"

在RTX 4090上,Franka在不到三分钟内实现了95%的成功, 4,096个平行MJX环境和PPO 工作流程,

支持机器人和任务

通过MuJoCo Menagerie和社区维护的XML存储库,MuJoCo为机器人领域最广泛使用的研究平台校准了MJCF模型.在操纵方面,Franka Research 3,Universal Robots UR5e和UR10e,Kuka iiwa14和xArm系列都与供应商规格调整的惯性特性,关节限制和终端效应器网格. 手研究人员使用了阿莱格罗手,影子手E3M5和LEAP手的MuJoCo版本,通常连接到弗兰卡手臂中进行全身操纵实验.

穆乔科的人形和腿部运动生态系统在2024年2025年迅速扩大. 单元的G1和H1人形,Go2四肢,Booster K1和波士顿动态点都拥有Menagerie主办或社区MJCF,而DeepMind维护的人形基准为运动跟踪研究提供了可视的CMU骨架. 双手操作是ALOHA和ALOHA-2MJCF的好服务,这些都是斯坦福的ACT和移动ALOHA论文的参考模型,并且有远程操作重播支持.

在任务方面,MuJoCo玩场,dm_control套件和Gymnasium-Robotics提供了数百种准备训练的场景:达成,推,选择和放置,使用工具,手动重新定向,平面和粗地形上的双脚运动,以及长视野厨房任务. Robosuite上层设置了一个基准任务界面,CMU的Habitat和斯坦福的 LIBERO都提供了 MuJoCo支持的评估套件.

MuJoCo 的基准

当评论者问"这个模拟器的基线结果是什么"时,MuJoCo拥有最深层次的发表的记录.DeepMind Control Suite仍然是连续控制算法的标准果到果测试床,每一个主要的SAC,TD3和PPO论文都发表了数字. 操纵研究人员对 LIBERO-130进行了比较,Robosuite的10任务标准化套件以及Meta-World ML-10和ML-45套件;所有三种都在MuJoCo上运行,并提供每任务成功率和样本效率曲线.在2024年推出的Humanid-Bench在Unitree H1上提供了27项任务,并明确设计了围绕MuJoCo和MJX.

对于精巧的操纵,OpenAI手中的立方形重定向任务 (Dactyl政策的前身) 是正规的基准,它仅仅在MuJoCo中使用.MimicGen,Robomimic和ALOHA低成本硬件纸都报告了各自任务组的MuJoCo版本的数字,这使得交叉纸相比较很容易.

优势与缺点

** 优势.** 精确的接触建模,分析衍生品,2000+Hz CPU 步骤用于小型模型,可分化的MJX GPU 后端,允许的Apache 2.0许可证,单命令安装,以及现场最深层次的校准机器人MJCF.文件格式是人读的XML,这使版本控制,差异化和程序性场景生成变得简单.

缺点. 染功能性但不是光现实性如果需要针对RGB输入训练的域间随机化视觉政策,Isaac Sim会产生更好的图像.传感器模型是极简的 (没有内置的LiDAR或深度相机物理),并且有数千个网格的大型场景可以在Isaac Sim的GPU PhysX解决器下降速度. 虽然ROS 2的集成是通过社区包进行的,但并不是像Isaac Sim或Gazebo一样的首等级.

什么时候选择Mujoko

当您的实验是接触丰富的,并且与CPU相关,复制性和纸质复制性问题,或者需要对基于模型的RL进行可分化动态时,选择MuJoCo. 对于操纵研究,精明的手,双手机遥控操作,人形运动捕捉重复,以及安装简单性和许可允许性是第一等待的任何工作流程,这是正确的默认.对于数千个Envs的GPU平行人形运动,MJX在保持Mujoko创作 ergonomics时,关闭了与艾萨克实验室的大部分差距.

选择Isaac Sim 而不是当光现实化染,基于美元的场景构成,或紧密的ROS 2集成是瓶.选择Isaac Lab 当你特别想要一个 GPU平行 RL框架建立在PhysX.选择 Robosuite 当你想要一个预先构建的标准化操纵基准在MuJoCo上而不是从零开始创建任务. 我们的[MuJoCo vs Isaac Sim 2026指南]T9) 通过与基准数字进行面对面比较.

获得一个定制的MuJoCo环境

对于研究团队,RCSV构建了校准的MuJoCo环境:一个操作任务在两周内,一个10任务套件在四到六周内随机域名,或一个完整的sim2real数字双胞胎在旧金山实验室的硬件验证.每个配送船都配备了 Gymnasium兼容的包装,可复制的种子和相匹配的远程操作数据集.

查看商店的数据集

OpenArm

Browse the Store

Data Marketplace

Get Started with Physical AI

Wuji Teleop Glove

Unitree Go2 — Setup & SDK