google-deepmind / mujoco

Problem: 训练机器人策略时，需要快速、高精度的物理仿真来迭代大量回合。

Solution: MuJoCo提供高速物理引擎和Python绑定，支持多线程rollout模块，可并行运行大量仿真，加速强化学习训练。

Example: 使用MuJoCo训练四足机器人行走策略，通过`rollout`模块在数小时内完成百万步仿真。

Problem: 在部署到真实机器人前，需要快速验证控制算法（如LQR）的可行性。

Solution: MuJoCo内置交互式GUI和Python绑定，支持直接加载XML模型并实时调整控制器参数，快速迭代原型。

Example: 通过MuJoCo的LQR教程，平衡单腿站立的人形机器人，无需硬件即可调试控制器。

Problem: 需要利用物理仿真的梯度来优化策略或设计，但传统引擎不支持自动微分。

Solution: MuJoCo的MJX分支基于JAX编写，支持可微物理仿真，可自动计算梯度用于策略训练。

Example: 使用MJX训练一个两足机器人奔跑策略，通过分析梯度替代强化学习中的采样方法，提高样本效率。

Problem: 研究人体或动物运动时，需要精确模拟关节、肌肉和接触力的相互作用。

Solution: MuJoCo专注于多关节动力学和接触仿真，提供丰富的物理量计算函数，适合生物力学建模。

Example: 构建人体骨骼模型，模拟跑步时脚与地面的接触力，分析步态模式。