MuJoCo
新一、简介
MuJoCo 是 Multi-Joint dynamics with Contact 的缩写,是由 Roboti LLC 最初开发、Google DeepMind 于 2021 年 10 月收购并免费开放、2022 年 5 月以 Apache-2.0 开源的通用物理引擎。它面向机器人、生物力学、图形动画与机器学习,专门处理铰接结构与所处环境之间快速且准确的交互仿真。对物理 AI 从业者而言,物理引擎并非背景设施:它生成策略训练所依赖的轨迹,塑造每一次接触事件附近的状态分布,也定义了「仿真结果能否被辩护」的物理契约。接触求解器采用何种表述,会一路传导到轨迹优化、系统辨识、强化学习收敛,以及最终的 Sim-to-Real 差距。本站已有 NVIDIA Warp 与 NVIDIA ProtoMotions 两个条目,分别记录 GPU 内核层与上层运动学习框架,本文补齐二者共同消费的物理内核。
2026 年 11 月 6 日发布的 MuJoCo 4.0,是 3.0 之后首个用中间版本号标记破坏性变更的大版本,带来 Studio 与 Filament 渲染、原生可变形体与弹塑性、预测性接触;11 月 11 日的 4.0.1 又修复了 4.0.0 稀疏 Cholesky 分解引入的求解器缺陷。对正在选型或升级的团队,这既意味着能力边界明显外扩,也意味着模型文件、Python 包结构与既有基准数字都需要重新核对。读完本文应当能回答四个问题:MuJoCo 的软凸接触究竟承诺了什么;CPU 的 C 内核、MJX 的 JAX 路径与 MuJoCo Warp 的 GPU 路径各自覆盖哪些能力;什么场景值得为批量并行付出功能缺口;以及 3.x 迁移与分资产许可核查要做哪些功课。
本文全部版本、许可与能力陈述,均于 2026 年 11 月 12 日对照官方仓库 README、文档 Overview、changelog 与 MuJoCo 4 官方公告核实。厂商或媒体给出的吞吐与加速倍率,按「项目自述或转引数字」处理,并在第六节与第九节标注其硬件、任务与来源边界;本站不替读者确认这些数字在自有场景成立。物理仿真入门提供坐标与求解器的基础词汇,经典求解器成本边界给出成本对照方法,两份材料可配合阅读。
二、原理与工作方式
第一项核心决策,是把广义坐标与基于优化的接触动力学结合起来。机器人与生物力学引擎传统上在关节坐标里使用高效递归算法,但要么略去接触,要么退回到需要极小步长的弹簧—阻尼模型;游戏引擎把接触力写成一个优化问题的解,却常采用过约束的笛卡尔表示,关节约束靠数值维持,遇到复杂运动学树时容易抖动与失稳。MuJoCo 率先把两者结合:关节约束隐含在坐标表示里,接触力由优化问题给出。官方文档明确写到,这一组合后来被其它仿真器采纳。对使用者来说,直接后果是复杂机构的运动学链不会因约束数值漂移而逐步走形,接触阶段又保留可分析的力学结构。
第二项决策关乎接触问题本身。常规现代表述把摩擦接触写成线性或非线性互补问题的解,二者都属于 NP-hard;MuJoCo 换用一种可化为凸优化的物理表述。其软、凸、解析可逆的接触模型允许软接触与关节、肌腱、等式约束并存,并让逆动力学具有唯一定义的解,这正是数据分析、控制综合与基于梯度的优化得以成立的原因。默认 Newton 求解器具有二次收敛性,另有共轭梯度法与可处理椭圆摩擦锥的投影高斯—赛德尔法可选。一次接触丰富的步进因此同时具备良态梯度与明确逆映射,MJX 与可微物理教程正是利用这一性质展开训练。
运行层是一个暴露 C API 的 C/C++ 库。模型用 MJCF 这一便于人工阅读与编辑的 XML 场景描述语言书写,也可直接加载 URDF 文件;XML 加载器先生成 mjSpec 中间表示,再编译为低层 mjModel 结构,工作内存在 mjData 中预分配,步进过程不做运行时分配。顶层 mj_step 推进完整正向动力学,大量标志位允许调用方只运行流水线的选定片段,用于控制、估计或并行采样。模型可描述三维肌腱几何、带传动与内态的抽象致动器,以及各类传感器。4.0 新增预测性接触,避免快速凸体在单个时间步内穿透薄障碍;新增弹塑性,把永久变形状态存入 mjData.plastic;柔性固体、壳与杆进入隐式积分体系;约束岛默认开启并配合睡眠与多线程碰撞求解;原生凸体碰撞默认产生多点接触。物理仿真入门解释这些阶段背后的建模取舍,NVIDIA Warp则说明加速后端所依托的 GPU 内核层。
三、适用边界与前提
第一层边界是物理域。MuJoCo 仿真铰接刚体、接触、肌腱、致动器,以及 4.0 起纳入的可变形固体、壳与杆;它不处理流体流动、传热或电磁场,交付物若是经过验证的连续场解,应转向 OpenFOAM 或 PhysicsNeMo 一类工具。第二层边界是建模契约:软接触模型是对物理现实的自觉近似。软性正是凸性与唯一逆映射的来源,官方文档也直言,真实软材料下互补性本身必须被违反。把求解器输出当作真实接触力的认证测量,需要另行标定接触参数、摩擦系数与致动器动力学,这一步无法由版本号或许可证替代。
第三层边界是执行后端。C 的 CPU 内核是参考实现,也是稳定契约;MJX 用 JAX 重实现 MuJoCo,面向 GPU/TPU 批量执行与可微物理;MuJoCo Warp 由 Google DeepMind 与 NVIDIA 共同维护,通过 Warp 内核语言面向 NVIDIA GPU。三者并不等价:MuJoCo Warp 的 README 把项目定位为 Beta,称功能大体齐备但仍需性能优化、文档与测试,写明经 Warp 的可微性目前不可用,Jacobian 仅支持稠密格式且尚无约束岛划分,并列出未覆盖的求解器、积分器与传感器情形。若方案假定同一模型在 CPU、MJX 与 Warp 上得到完全一致的行为,就必须安排显式的等价性测试;经典求解器成本边界也提醒,成本比较取决于交付物本身。
第四层边界是工程与法务。4.0 把 Python 发行包拆成最小的 mujoco-core、可选的 mujoco-studio,以及默认安装两者的 mujoco;从 3.x 升级需先卸载旧包。破坏性变更还修改了 sidesite 的肌腱路径语义,使 RK4 积分对球关节与自由关节的姿态达到四阶精度,并移除 cable 插件与 composite 元素、改由一维 flexcomp 承接。源码为 Apache-2.0,doc 目录内的文档、图片与视频为 CC BY 4.0,盒体碰撞代码另有版权声明,仓库亦写明这并非 Google 官方支持的产品。MuJoCo Menagerie这类模型库与第三方绑定各有条款,商业部署前需按资产逐项核查,不能只看顶层许可了事。
四、上手路径
零安装入口在浏览器。项目官网提供可交互的 4.0 展示,live.mujoco.org 运行 MuJoCo Studio 的 WebAssembly 构建,可直接拖入 MJCF、MJB 或 MJZ 文件在本地检查模型。官方 README 提醒 WebAssembly 版本慢于原生 C,因此它适合查看与调试,不适合作为性能基准环境。本地安装可走预编译二进制,覆盖 Linux x86-64 与 AArch64、Windows x86-64、macOS universal;Python 用户执行 pip install mujoco,wheel 内已带一份引擎副本,README 要求 Python 3.11 及以上,Linux wheel 面向 manylinux2014。无头训练节点可只装 mujoco-core,把依赖压缩到 NumPy 与 C 库附近。
仓库给出一条有意为之的教程顺序:入门笔记本讲解基本数据结构与步进循环;模型编辑笔记本用 mjSpec 做程序化建模;rollout 笔记本演示多线程 rollout 模块;LQR 笔记本综合出让人形机器人单腿平衡的控制器;最小二乘笔记本介绍 Python 非线性求解器;MJX 笔记本把同一模型搬到 JAX;可微物理笔记本用物理步进的解析梯度训练运动策略。按这个次序推进,比直接从训练脚本起步更省事,因为它把模型编写、步进与批处理三件事在彼此混淆之前先分开。Python 机器人学、物理 AI 学习路径与 JAX分别给出周边工具、整体次序与底层数组库。
在信任任何结果之前,先固定引擎版本、时间步、积分器、求解器与接触参数,并把这五项随测量一并归档。第一个值得做的受控实验是跨后端比对:同一模型、同一策略分别在 CPU 内核与 MJX 上运行,出现分歧时先归因于可移植性假设,再去找模型问题。机器人模型可取自 MuJoCo Menagerie(4.0 公告列出约 70 个模型),也可参考 RoboCasa一类资产集合。从 3.x 升级时务必先卸载,再用一条已知轨迹重跑模型,因为 4.0 的破坏性变更可能改变肌腱长度、姿态积分与柔性体状态布局,且整个过程不会报错提示。
五、横向对比
按契约比较比按榜单排名更有用。与 Isaac Lab、Isaac Sim 这类 GPU 原生平台相比,取舍发生在大规模并行吞吐与软凸接触求解的解析可预测性之间。媒体转引的对比给出:RTX 4090 上 4096 个人形并行环境,Isaac Lab 约 15 万环境步/秒,MJX 约 7.5 万;这些数字绑定具体工作负载、来自二手报道,描述的是吞吐,并不描述接触保真度。以纯采样吞吐为目标的团队,与以灵巧抓取验证为目标的团队,面对的是两个不同问题;NVIDIA 公司报告给出平台侧的完整背景。
与其它通用刚体引擎相比,值得区分的是表示方式。采用笛卡尔坐标、靠数值施加关节约束的引擎,与采用广义坐标、靠弹簧—阻尼处理接触的引擎,在复杂运动学树下做出的是不同的精度与稳定性折中;MuJoCo 的凸且解析可逆接触是第三种位置。本文不对三者排序:每一种都是对真实接触的不同近似,官方文档自己就把软接触模型与互补性表述并列为对物理现实的两种近似。OpenFOAM离得更远,其对象是连续场,与铰接机构不在同一层面。
在 MuJoCo 生态内部,关系是分层的。MJX 与 MuJoCo Warp 是同一套物理的执行后端,不构成相互竞争的引擎;NVIDIA Warp条目讲的是它们依托的内核底座。Newton 是由 NVIDIA、Google DeepMind 与 Disney Research 发起、托管于 Linux Foundation 的项目,把 MuJoCo Warp 作为主要物理后端,并接入 Isaac Lab、MuJoCo Playground 与 mjlab。ProtoMotions是上层的人形运动学习框架,把 MuJoCo 当作可选后端之一,并把机器人资产统一到 MuJoCo XML。选型真正要回答的是:你的团队负责接触模型、批量执行、编排层,还是学习任务本身。
六、基准与数据
公开证据里最扎实的一类是运营规模,并非精度。2026 年 11 月 7 日的 MuJoCo 4 官方公告给出:PyPI 月下载量约 360 万次、GitHub star 超过 1.6 万、3.0 之后共 39 个发行版、过去一年有 45 位以上外部贡献者提交约两千次 commit,并说明 MuJoCo Playground 1.0 与 MuJoCo 4 同期发布。第三方追踪站点在 2026 年 11 月不同日期给出 1.72 万至 1.76 万 star,抓取源与时间点各异,本文不把这类外部统计并入官方数字。2026 年 11 月 16 日直接复核记录为 18,125 star、近一月 PyPI 下载 5,467,587 次、自 3.0 起 42 个发行版。规模指标说明采用度,无法说明物理正确性。
4.0 提供了具体的能力演示。预测性接触配有一个基准:在 16 毫秒时间步下,机械臂能稳定接住以超过 2 米/秒下落的 0.7 毫米扑克牌,而常规离散碰撞检测在步长大于 8 毫秒时会漏检;发布报道还给出,因无需极小子步,爬楼梯与薄物抓取任务的仿真速度提升 6 至 9 倍。同一批报道称,一维弹性杆的弯曲与扭转结果与 Euler-Bernoulli 悬臂梁理论值相差不到 0.5%,且在 CPU 与 MuJoCo Warp 上一致。这些均为项目演示或媒体对其的转述,绑定特定模型与硬件,写进提案前应在本地复跑。
GPU 加速数字也有同样的来源边界。2026 年 3 月 17 日 NVIDIA GTC 上 Newton 1.0 正式可用的相关报道称,在 RTX PRO 6000 Blackwell 上,MuJoCo Warp 在运动任务上达到 MJX 的 252 倍、操作任务达到 475 倍;MuJoCo Warp 的 README 同时把项目定位为 Beta,并列出仍需完成的性能工作。本文不引用任何跨引擎接触精度的独立盲测,而 4.0.1 修复 4.0.0 稀疏 Cholesky 分解缺陷(可导致收敛变慢、加速度错误乃至发散)这一事实,恰好说明求解器版本必须随每个结果一起记录。经典求解器成本边界提供了这套记录纪律。
七、物理 AI 场景中的用法
在物理 AI 项目里,MuJoCo 处在「环境变成可复现物理」的那一层。数据生成阶段,它产出的轨迹里每一次接触都由有文档可查的凸模型支配,这一点在轨迹被用作训练标签时尤其重要。策略训练阶段,MJX 与 MuJoCo Warp 让数千个并行环境变得可负担,CPU 内核则继续充当检验批量结果的参照。Sim-to-Real 校准阶段,同一模型可换用不同接触参数、致动器延迟与传感器噪声重跑,4.0 还加入了系统辨识工具箱。物理 AI 学习路径把这些阶段排成次序,物理仿真入门解释每一阶段背后的建模假设。
可微性是第二种角色。由于接触问题为凸且逆映射唯一,物理步进的解析梯度可用,仓库随附的教程就用它训练运动策略。这支撑轨迹优化、系统辨识与短时域策略改进,前提是使用者记得:模型的梯度是模型的梯度,与真实机器人的梯度并非同一件事。JAX与 NVIDIA Warp分别记录让这类工作流具备规模的两个执行底座。
第三种角色是共享的资产与评测契约。MuJoCo Menagerie 提供通用机器人模型库,ProtoMotions 一类框架把机器人资产统一到 MuJoCo XML,让单份资产文件可服务多个后端。这正是该引擎频繁出现在学习策略首选评测环境里的原因:统一的模型格式使不同团队的结果具备可比性。RoboCasa与 MuJoCo Menagerie展示资产侧的组织方式,Python 机器人学则覆盖把策略接到真实控制器的工具链。
八、不适用场景与失效模式
最常见的失效,是把软接触模型当成实测接触定律。约束软度、摩擦与求解器容差都是建模选择;针对一组参数调出的策略,遇到摩擦、柔顺性与致动器动力学不同的硬件就可能失败。域随机化与系统辨识能压缩这一差距,却无法消除它,发行说明也没有作出相反承诺。第二类失效来自时间步选择:在预测性接触之前,快速或纤薄物体需要更小步长或更大的 margin;4.0 的该特性目前覆盖 CPU 上的凸基元与网格,高度场、SDF、柔性体与 GPU 后端被列为后续工作。假定它在所有几何与后端上都已生效,是对 changelog 的误读。
第三类是迁移。4.0 的破坏性变更改动了肌腱 sidesite 语义、RK4 姿态积分与柔性体状态布局,移除 cable 插件与 composite 元素,Python 包拆分又要求从 3.x 升级时显式卸载;模型能正常加载,并不表示肌腱长度或滚动行为没有变化。第四类关乎后端能力:MuJoCo Warp 的 README 列出可微性缺失、Jacobian 仅稠密、部分求解器与积分器未支持、传感器与 flex 覆盖不全,MJX 也有自身的功能覆盖边界。跨后端等价性必须实测,不能靠假定。
还有两条边界容易被忽略。渲染与物理是两条轴线:Studio 中的 Filament 物理渲染、HDR 光照与浏览器流式查看改善了视觉检查,却不改变接触求解;一段视觉上逼真的演示并不构成物理保真度的证据。许可同样需要分层:源码 Apache-2.0,文档资产 CC BY 4.0,盒体碰撞代码另有声明,随附机器人模型与第三方绑定各有条款,仓库还写明并非 Google 官方支持的产品。只审查顶层许可就上线的部署,合规工作并未做完。第九节记录上述每条陈述的出处,NVIDIA Warp给出 GPU 后端限制的内核层背景。
九、版本与口径核对
记录一:学术起点是仓库 README 所引 Todorov、Erez 与 Tassa 的 2012 年 IROS 论文;文档 Overview 写明 MuJoCo 最初由 Roboti LLC 开发,Google DeepMind 于 2021 年 10 月收购并免费开放,2022 年 5 月开源。本条目的 year 字段采用 2022 年开源节点;把 DeepMind 称作最初开发者的说法,混淆了当前维护者与原始作者。记录二:2026 年 11 月 16 日复核时,GitHub release 页已把 11 月 11 日的 4.0.1 标为 Latest,先前 4.0.0(2026 年 11 月 6 日)仍带 Latest 标记的状态已不成立。新建部署宜以 4.0.1 及更新版本为基线:4.0.1 发布说明记录了 4.0.0 引入的稀疏 Cholesky 分解缺陷,会把具有不同后代行合并进同一超节点,使 Newton 求解器在约束雅可比稀疏时拿到错误的 Hessian 因子,导致收敛变慢、加速度错误与发散。
记录三:README 要求 Python 3.11 及以上,4.0 公告描述支持到 Python 3.15 并含 free-threaded 构建,第三方归档偶有写作 3.10 及以上。本页安装口径以仓库 README 为准。记录四:官方公告给出 GitHub star 超过 1.6 万、PyPI 月下载约 360 万次,外部追踪站点在不同日期给出 1.72 万至 1.76 万 star;第六节只采用官方量级。2026 年 11 月 16 日复核得到 18,125 star、近一月 PyPI 下载 5,467,587 次、自 3.0 起 42 个发行版(3.x 线 40 个、4.x 线 2 个)。记录五:MuJoCo Playground 1.0 与 MuJoCo 4 同期发布;公告把 Newton 描述为与 NVIDIA、Disney Research、TRI 在 Linux Foundation 框架下的合作。
记录六:第六节全部吞吐、加速倍率与精度数字,均为项目演示或媒体转引,绑定已命名的硬件与任务,包含 GTC 的 Newton 数字与 RTX 4090 对比;本文不主张任何独立复现。记录七:许可分层、盒体碰撞代码的独立版权、随附模型的逐资产条款,以及「非 Google 官方支持产品」这一定性,全部来自仓库 README,逐项记录且不做合并。记录八:4.0 破坏性变更清单、Python 包拆分与 4.0.1 缺陷修复,来自官方 changelog。以上于 2026 年 11 月 12 日核实,并于 2026 年 11 月 16 日复核 release 的 Latest 标记、star 数、月下载量与发行版数量;后续再有新版本时,应先重查第三、六、八节,再把本条目引用于客户文档。
十、参考资料
- Google DeepMind,《MuJoCo 仓库 README》,GitHub,github.com/google-deepmind/mujoco(2026-11-12 访问)。
- MuJoCo Documentation,《Overview》,mujoco.readthedocs.io:历史、C API、MJCF、URDF、广义坐标与软凸接触。
- MuJoCo Documentation,《Changelog》,4.0.1(2026-11-11)与 4.0.0(2026-11-06):破坏性变更与缺陷修复。
- Google DeepMind,《MuJoCo 4.0.0 Release Notes》,GitHub Releases,2026-11-06:预测性接触、弹塑性与 Python 包拆分。
- Yuval Tassa,《MuJoCo 4: Studio & Filament, Deformables, Speculative Contacts》,GitHub Discussion 3773,2026-11-07。
- Todorov E., Erez T., Tassa Y.,《MuJoCo: A Physics Engine for Model-Based Control》,2012 IEEE/RSJ IROS,DOI 10.1109/IROS.2012.6386109。
- MuJoCo Documentation,《MuJoCo XLA (MJX)》章节及仓库内 MJX tutorial 笔记本。
- MuJoCo Documentation,《Computation》章节:凸接触表述、求解器族与逆动力学。
- Google DeepMind 与 NVIDIA,《MuJoCo Warp 仓库 README》:Beta 状态、功能兼容表与基准工具。
- Newton Physics 项目文档:Linux Foundation 托管、发起方与 MuJoCo Warp 后端集成。
- Google DeepMind,《MuJoCo Menagerie》机器人模型仓库与 mujoco-menagerie Python 包。
- Google DeepMind,《dm_control》与《MuJoCo Playground 1.0》:环境栈与机器人学习套件。