在过去一年的研究中，openai团队开源一个使用 mujocoengine开发的用于机器人模拟的高性能python库。该python库是openai团队深入学习机器人研究的核心工具之一，现在该团队发布的是作为mujoco的主要版本的mujoco-py（python 3 的 mujoco 绑定）。 mujoco-py 1.50.1.0带来了许多新的功能和显着的性能提升。雷锋网获悉，新功能包括以下几点：

高效处理并行模拟

gpu 加速的自动 3d 渲染

直接访问 mujoco 函数和数据结构

支持所有的 mujoco 1.50 功能，比如改进的接触求解器批量模拟

轨迹（trajectory）优化和强化学习中的许多方法（如lqr，pi2和trpo）可以从并行运行多个模拟中受益。 mujoco-py通过openmp使用数据并行，并通过cython和numpy直接访问内存管理，从而使批量模拟更有效率。

新版本的mjsimpool接口的初步使用显示，速度超过旧版本的 400％，并且在一个已优化和受限的使用模式中（通过 python 的多处理工具包获取相同水平的并行计算）仍然大约为旧版本的180%。提速的大部分原因在于mujoco各种数据结构的访问时间缩短。

高性能纹理随机化

在openai的许多项目中都使用域随机化技术。 最新版本的mujoco-py支持支持自动的（headless）gpu 渲染，与基于cpu的渲染相比，它的速度有40倍的提升，可以每秒产生数百帧的合成图像数据。 在上述（减速）动画中，openai使用理随机化技术来改变一个机器人的纹理，帮助这个机器人辨识其身体（在将其从模拟器转移至现实时）。 请查看examples / disco_fetch.py以获取随机纹理生成的示例。

采用mujoco-py实现vr

由mujoco-py公开的api足以使虚拟现实交互而无需任何额外的c ++代码。 openai使用mujoco-py将mujoco的c ++ vr示例移植到python。 如果您有htc vive vr设置，您可以尝试使用这一示例（此支持被认为是实验性的，但是openai已经在内部使用它了）。

api和用法

开始使用mujoco-py的最简单的方式是使用mjsim class。 它是围绕模拟模型和数据的包装（wrapper），可让您轻松地进行模拟并从相机传感器中渲染图像。 下面是一个简单的例子：

from mujoco_py import load_model_from_path, mjsimmodel = load_model_from_path（"xmls/tosser.xml"）sim = mjsim（model）

sim.step（）

print（sim.data.qpos）

# =>; [ -1.074e-05 1.043e-04 -3.923e-05 0.000e+00 0.000e+00]

对于高阶用户，openai 提供了大量的低水平接口以直接访问 mujoco c 结构体和内部函数。

以上是网络信息转载，信息真实性自行斟酌。