MuJoCo

用於機器人與機器學習研究的 DeepMind 物理引擎

授權條款

Apache-2.0

概述

DeepMind 的物理引擎，用於機器人學、生物力學與機器學習研究。以快速、精確的接觸動力學模擬著稱，並支援自動微分，可進行梯度式最佳化。

MuJoCo（Multi-Joint dynamics with Contact）是 DeepMind 的先進物理引擎，針對機器人模擬、生物力學研究，以及需要精確接觸動力學的機器學習應用而最佳化。此引擎實作了快速且穩定的接觸建模，能以高數值精度處理包括摩擦、關節限制與約束在內的複雜多體互動。其一大特色是原生支援自動微分，可直接透過物理模擬進行基於梯度的最佳化，應用於軌跡最佳化與系統識別等。MuJoCo 在運算速度與物理精度之間取得平衡，既適合以數千個平行模擬快速進行強化學習訓練，也適合需要精確動力學的細緻生物力學建模。效能、精度與可微分性的結合，使 MuJoCo 成為機器人研究社群的基礎工具。目前的版本 MuJoCo 4.0.0（2026 年 11 月 6 日）新增了推測接觸，可防止快速移動的凸形體在一個時間步內穿過薄障礙物；以及彈塑性，讓關節與肌腱彈簧以及 2D 與 3D flex 能產生永久變形。它移除了 cable 外掛與 composite 元素，改用具彈性的一維 flexcomp，這會改變彈性桿的 qpos 配置；並將 Python 套件拆分為 mujoco-core 與 mujoco-studio，安裝 mujoco 時會同時安裝兩者。MuJoCo Warp 是針對 NVIDIA 硬體的 GPU 加速版 MuJoCo，也同步發布了 v4.0.0。

為何重要

MuJoCo 是機器人學習研究的事實標準物理引擎。它被 DeepMind 收購並開源，兼具強化學習訓練所需的速度與大量接觸操作所需的精度，其 C API 也是數十個模擬框架的基礎。

解決的問題

機器人學習需要一個在速度（用於強化學習訓練）與精度（用於逼真接觸）之間取得平衡的物理引擎。MuJoCo 兩者兼具，其穩定的接觸動力學是其他引擎難以企及的，在靈巧操作上尤其如此。

重點

• 業界標準的物理引擎，已用於數千篇研究論文
• 快速且穩定的接觸動力學，非常適合強化學習
• 透過 MJX（JAX 後端）一流地支援可微分模擬
• 由 DeepMind 開源，開發與社群皆十分活躍
• 原生支援肌腱、致動器與複雜的運動樹

適用對象

• 各個層級的機器人學習研究人員
• 打造操作與行走運動策略的團隊
• 模擬基準與環境的開發者
• 在部署到硬體之前先做控制演算法原型的公司

限制

• 渲染只求堪用，並非擬真
• 與專門引擎相比，可變形物體模擬能力有限
• XML 模型格式（MJCF）需要一段學習時間
• GPU 平行化透過獨立的 MJX 與 MuJoCo Warp 後端執行；自 3.17 起內建批次多執行緒 CPU 步進