DeepMind · 其他
DeepMind 开源机器人物理模拟器
DeepMind 宣布将其内部使用的机器人物理模拟器开源，面向研究社区开放。该模拟器专为机器人学习和控制算法设计，提供高保真的物理仿真环境，支持复杂场景下的运动规划与强化学习实验。此次开源有助于降低机器人研究门槛，推动仿真到现实迁移的技术进展。
- 域名
deepmind.google- 评分
- 5 · 重大发布
- 发布
- 2026-03-11
导读
这篇 2021 年 10 月 18 日发布的 DeepMind 博客，由 Yuval Tassa 等机器人团队成员撰写，宣布 DeepMind 收购 MuJoCo 物理引擎并将其作为免费软件向社区开放，随后承诺以宽松许可证完整开源。MuJoCo 的全称是 Multi-Joint Dynamics with Contact，长期被研究界视为机器人仿真的领先选择，DeepMind 自家机器人项目也通过 dm_control Python 栈大量使用它。文章把开源动作与一篇 PNAS 关于机器人仿真现状的展望文章对齐：开源工具与社区共维护的模型库是推动该领域前进的关键。
文章随后用相当篇幅说明 MuJoCo 的设计取舍。其接触模型用凸的 Gauss 最小约束原理求解接触力，保证唯一解与良定义的逆动力学，既避免了游戏引擎为稳定性而修改速度、忽略陀螺力的"作弊"做法，也比传统刚体仿真器更准确地再现复杂现象，比如 Tippe top 自动翻转、牛顿摆冲量传递、零重力下的 Dzhanibekov 效应均能自发涌现。核心引擎用纯 C 写就，仿真状态完全封装在两个数据结构中，便于跨架构移植与确定性复现；MJCF 场景描述语言原生支持等式约束、动作捕捉标记、肌腱、执行器与传感器，并已被规划为开放标准。生物力学方面，肌腱可以在骨骼上绕行以再现膝关节力臂随姿态变化的现象，肌肉模型也包含激活态与力-长-速曲线。
对机器人与强化学习读者而言，这次发布的意义在于把一个长期收费的工业级仿真器并入开放生态。MuJoCo 通常运行速度远超实时，使其适合做大规模强化学习的训练环境；DeepMind 还展示了用它仿真人形机器人接球等典型任务的片段。这一举措降低了高保真物理仿真的门槛，并把 sim-to-real 研究、运动控制与模仿学习推上一个更可复现的基础。