# Mujoco > MuJoCo 物理仿真开发技能 - 高性能物理引擎、强化学习环境、MJCF 模型、GPU 加速 - Skill: `miuav/mujoco` (Agent Skill) - Install (CLI): `npx skillmds@latest add miuav/mujoco` - Raw SKILL.md: https://api.skillmd.com/api/skills/miuav/mujoco/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - Author: miuav (https://skillmd.com/u/miuav) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/miuav/mujoco --- # MuJoCo Physics Simulation Skill > 用于 MuJoCo 物理仿真环境的配置和开发 --- ## 何时使用当需要以下帮助时使用此技能： - 安装和配置 MuJoCo - 创建 MJCF 模型 - 编写强化学习环境 - 使用 GPU 加速 - 集成 ROS --- ## 快速参考 ### 安装 MuJoCo ```bash # 安装 mujoco-py pip install mujoco-py # 或安装 mujoco (新版本) pip install mujoco # 下载 MuJoCo 引擎 # https://github.com/deepmind/mujoco/releases # 解压到 ~/.mujoco/mujoco200 ``` ### 基本使用 ```python import mujoco import mujoco.viewer as viewer # 加载模型 model = mujoco.MjModel.from_xml_path("robot.xml") data = model.data # 创建查看器 v = viewer.launch_passive(model, data) # 仿真循环 for _ in range(1000): mujoco.mj_step(model, data) v.sync() ``` --- ## MJCF 模型 ### 基本结构 ```xml ``` ### 完整机器人示例 - 双足机器人 ```xml ``` --- ## 强化学习环境 ### 使用 Gymnasium ```python import gymnasium as gym from gym import spaces import numpy as np class MuJoCoEnv(gym.Env): def __init__(self, model_path="robot.xml"): super().__init__() # 加载模型 self.model = mujoco.MjModel.from_xml_path(model_path) self.data = self.model.data # 定义空间 self.action_space = spaces.Box( low=-1, high=1, shape=(self.model.nu,), dtype=np.float32 ) self.observation_space = spaces.Box( low=-np.inf, high=np.inf, shape=(self.model.nq + self.model.nv + self.model.nu,), dtype=np.float32 ) def reset(self, seed=None, options=None): # 重置状态 mujoco.mj_resetData(self.model, self.data) # 获取观察 obs = self._get_obs() return obs, {} def step(self, action): # 应用控制 self.data.ctrl[:] = action # 仿真一步 mujoco.mj_step(self.model, self.data) # 获取结果 obs = self._get_obs() reward = self._compute_reward() done = self._is_done() return obs, reward, done, False, {} def _get_obs(self): # 状态 = 关节位置 + 关节速度 + 控制 return np.concatenate([ self.data.qpos, # 关节位置 self.data.qvel, # 关节速度 self.data.ctrl # 控制输入 ]) def _compute_reward(self): # 奖励函数 return 0 def _is_done(self): # 检查是否终止 return False def render(self): # 渲染 pass ``` ### 使用 DM Control ```python from dm_control import suite import numpy as np # 加载环境 env = suite.load(domain_name="walker", task_name="run") # 获取观察和动作规格 action_spec = env.action_spec() observation_spec = env.observation_spec() # 运行 episodes time_step = env.reset() while not time_step.last(): action = np.random.uniform(action_spec.minimum, action_spec.maximum) time_step = env.step(action) print(f"Reward: {time_step.reward}") ``` --- ## 控制器 ### PD 控制器 ```python def pd_control(model, data, kp=1.0, kd=0.5): """PD 控制器""" # 目标位置 (可以从外部输入) q_des = np.zeros(model.nq) qdot_des = np.zeros(model.nv) # PD 控制 q_error = q_des - data.qpos qdot_error = qdot_des - data.qvel # 计算控制力 ctrl = kp * q_error + kd * qdot_error return ctrl ``` ### 阻抗控制 ```python def impedance_control(model, data, target_pos, k_p=100, k_d=10): """阻抗控制器""" # 当前末端位置 (假设为最后一个 body) current_pos = data.body_xpos[-1] # 位置误差 error = target_pos - current_pos # 阻抗控制力 f = k_p * error - k_d * data.cvel # 转换为关节力 (简化版) ctrl = np.zeros(model.nu) # 实际需要使用 Jacobian return ctrl ``` --- ## GPU 加速 ### GPU 仿真 ```python # 检查 GPU 可用性 print(mujoco.get_platform()) # 启用 GPU model = mujoco.MjModel.from_xml_path("robot.xml", nthread=4, nsubsteps=2) ``` ### 并行环境 ```python # 使用 dm_control 并行环境 from dm_control import composer from dm_control import suite # 创建并行环境 env = suite.load(domain_name="cartpole", task_name="balance", visualize_reward=False) # 并行步骤 for _ in range(1000): action = env.action_spec().sample() time_step = env.step(action) ``` --- ## 传感器 ### 读取传感器数据 ```python # 关节位置 qpos = data.qpos # 关节速度 qvel = data.qvel # 力 qfrc = data.qfrc # 末端位置 end_effector_pos = data.body_xpos[-1] # 接触力 contact_force = data.eforce # 触地检测 for i in range(model.ncon): contact = data.contact[i] # contact 包含接触信息 ``` --- ## ROS 集成 ### ROS2 控制器 ```python import rclpy from rclpy.node import Node import mujoco class MuJoCoROS2(Node): def __init__(self): super().__init__('mujoco_ros2') # 加载模型 self.model = mujoco.MjModel.from_xml_path('/path/to/robot.xml') self.data = self.model.data # 订阅 self.create_subscription( Float64MultiArray, '/joint_commands', self.cmd_callback, 10) # 定时器 self.timer = self.create_timer(0.002, self.step_callback) def cmd_callback(self, msg): self.data.ctrl[:] = msg.data def step_callback(self): mujoco.mj_step(self.model, self.data) # 发布状态 # ... ``` --- ## 常见问题 ### 问题 1: 模型不稳定 **解决方案**： - 增加 solver iterations - 调整 timestep - 检查质量分布 ### 问题 2: 仿真速度慢 **解决方案**： - 使用 GPU - 减少约束求解迭代 - 启用快速积分器 ### 问题 3: 碰撞检测失败 **解决方案**： - 检查 geom 类型 - 调整碰撞容差 - 使用正确的摩擦系数 --- ## 相关资源 - [MuJoCo 文档](https://mujoco.readthedocs.io/) - [DM Control](https://github.com/deepmind/dm_control) - [MuJoCo Python](https://github.com/openai/mujoco-py) --- ## 另见 - [mjcf-models](./mjcf-models/) - MJCF 模型 - [control-systems](./control-systems/) - 控制系统 - [pybullet](../pybullet/) - PyBullet 仿真 - [isaaclab](../isaaclab/) - Isaac Lab