转载

OpenAI研究 Python中更快的物理

正在开源一个高性能 Python 库，用于使用 MuJoCo 引擎进行机器人仿真，该引擎是我们在过去一年的机器人研究中开发的。

该库是我们用于深度学习机器人研究的核心工具之一，我们现在已将其作为 mujoco-py的主要版本发布，这是我们针对 MuJoCo 的 Python 3 绑定。mujoco-py 1.50.1.0 带来了许多新功能和显着的性能提升。新功能包括：

高效处理并行模拟
GPU 加速的无头 3D 渲染
直接访问 MuJoCo 函数和数据结构
支持所有 MuJoCo 1.50 功能，例如改进的接触解算器

批量模拟

轨迹优化和强化学习中的许多方法（如 LQR、 PI2和 TRPO）都受益于能够并行运行多个模拟。mujoco-py 通过OpenMP使用数据并行性，通过Cython 和 NumPy 使用直接访问内存管理来提高批量模拟的效率。

新版本的 MjSimPool接口的简单使用显示比旧版本提速 400%，并且仍然比使用 Python 的多处理包获得相同级别并行性的优化和受限使用模式提速约 180%。大部分加速来自减少对各种 MuJoCo 数据结构的访问时间。查看 examples/simpool.py MjSimPool 之旅。

高性能纹理随机化

我们在 OpenAI 的许多项目中使用域随机化技术。最新版本的 mujoco-py 支持 headless GPU 渲染；与基于 CPU 的渲染相比，这产生了大约 40 倍的加速，让我们每秒生成数百帧的合成图像数据。在上面的（放慢的）动画中，我们使用它来改变我们其中一个机器人的纹理，当我们将它从模拟器转移到现实时，这有助于它识别它的身体。查看 examples/disco_fetch.py 以获取随机纹理生成的示例。

虚拟现实与 mujoco-py

mujoco-py 公开的 API 足以启用虚拟现实交互，无需任何额外的 C++ 代码。我们使用 mujoco-py 将 MuJoCo 的 C++ VR 示例移植到 Python。如果您有 HTC Vive VR 设置，您可以尝试使用此示例（此支持被认为是实验性的，但我们已经在内部使用了一段时间）。

API和使用

开始使用 mujoco-py 的最简单方法是使用 MjSim 类。它是仿真模型和数据的包装器，可让您轻松地逐步进行仿真并渲染来自相机传感器的图像。这是一个简单的例子：

from mujoco_py import load_model_from_path, MjSim

model = 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]

无效的

对于高级用户，我们提供了许多底层接口，用于直接访问 MuJoCo C 结构和函数的内部结构。请参阅自述文件和完整文档以了解更多信息。

OpenAI研究

OpenAI研究 Python中更快的物理

批量模拟

高性能纹理随机化

虚拟现实与 mujoco-py

API和使用

相关文章

本文目录

标签

近期评论