DeepMind开源了MuJoCo！Meta竟用来让「骷髅手」盘核桃

你见过骷髅盘核桃吗。

这只神奇的手来自Meta刚刚发布的AI平台MyoSuite。

是啊，helliphellip终结者的视觉就在那里。

Za:超宇宙的化身被拯救了。

传统行业流行一句话，一流企业做标准，二流企业做品牌，三流企业做产品。

虽然这种说法有点绝对，而且很多参与行业标准制定的一流企业，品牌，产品甚至是一流的，但这种说法背后的主要亮点是标准对一个行业有多重要。

谁掌握了标准，谁就拥有了制定游戏规则的话语权，谁就有了在行业内坐庄的可能。

在AI时代，科技巨头们也在争夺标准业务的高地，只是换了很多新名字，比如框架，平台，基准，都是指一些行业标准。

Meta也不例外。

当然，按照改变元宇宙中所有名字的操作，一切都可以是元宇宙。

我们可以训练模型执行复杂的动作，比如转动一支笔或一把钥匙这项研究不仅可以加速假肢，物理康复和外科技术的发展，还可以帮助我们开发一个更现实的超宇宙化身我们将开放这些模型的源代码，以便研究人员可以使用它们来进一步推动这一领域的发展

嗯，出乎意料的是，下面显示的竟然是笔转，而不是抓罐子helliphellip

不过，这个真的有点太厚了！

对了，还有转钥匙。

反正虽然看起来模型还在初级阶段，但是对各种细节的控制已经相当完美了。

滑杆伸出拇指，然后依次收回其余四指，最后转动手臂helliphellip

在这里，给你竖起大拇指！

此外，如果研究能够取得进一步的进展，Meta的阿凡达确实可以拥有一套解剖学上正确的骨骼和动作，而不仅仅是可爱的卡通人物。

以及神经运动智能的统一。

有机体越聪明，它的运动行为就越复杂。

因此，需要考虑的一个重要问题是:是什么促成了这种复杂的决策以及执行这些决策的运动控制。

Meta认为开发MyoSuite就是为了探索这个问题。

MyoSuite提供了一套肌肉骨骼模型和任务包，用机器学习解决生物力学控制问题。

Meta表示，MyoSuite的另一个重要意义是统一了两个方面的智能:运动智能和神经智能，并为机器学习社区开源了一套全面的基准。

人体生物力学是一个复杂的肌肉骨骼系统，具有多个关节和执行器一块肌肉的收缩涉及多个关节的弯曲运动，每个关节的运动都是由多块肌肉控制的

在这样一个复杂的系统中，智能行为的合成和表达需要中枢神经系统和周围肌肉骨骼系统的有效协调前者是由数十亿个神经元组成的网络来合成决策，后者是将这些意图转化为行动

MyoSuite是通过对现有模型和功能的深入研究而开发的其研发基础是手臂和手的OpenSim模型，目前已广泛应用于人体神经机械控制，人机交互和康复等领域

为了在MuJoCo中实现这些模型，研究人员开发了一种新的流程开发模型，进行骨骼和肌肉附着的几何变换，手臂力矩优化和肌肉力量优化。

MyoSuite提供了一个组合，用于测试几种生理上精确的肌肉骨骼模型。具体的模型构建可以分为三个步骤:

1.几何变换包括关节几何形状，肌肉附着点和包裹表面的变换这一步是在前面工作的基础上

2.动力臂优化在MuJoCo中优化包裹面的三维位置MuJoCo中包覆面的三维位置，从而实现与参考OpenSim模型的力臂匹配

3.肌力优化:优化MuJoCo中的肌肉参数，实现与控件OpenSim模型的肌力匹配经过严格的建模和验证，最终建立了三个不同复杂度的模型

肌肉骨骼模型包含在MyoSuite中a:肌指，B:肌肘:c:肌手

手指:首先建立一个简化直观的模型，即一个具有4个自由度的手指，由一系列简化的5个拮抗肌—腱单元驱动研究小组为它提供了一个简单的扭矩驱动器，以方便对比研究

肘部:一个1自由度的人体肘关节模型基于OpenSim的默认设置测试手臂模型，并使用若干激动剂/拮抗剂驱动

手:实际上包括前臂，手腕和手一只灵巧的手需要协调很多高度冗余的肌肉，这些肌肉对各个关节有互补和拮抗的作用这个更复杂的肌肉骨骼模型由29块骨头，23个关节和39个肌肉肌腱单元组成

多年来，人工智能领域一直试图通过神经结构或神经网络来模仿智能行为在生物力学领域，肌肉骨骼系统主要是通过体内和体外研究，了解外周驱动力，自主开发的

借助MyoSuite，研究人员有望在感觉—运动控制的细节方面取得更大进展，依靠不同的本体感受信号来协调全身的运动控制，这是在丰富的交互环境中显示智能行为所需要的。

MyoSuite的生理真实肌肉骨骼模型的效率和可扩展性是现有模型的4000倍。

有这样强大的资源和计算效率作为支撑，自然是一手转笔，一手转钥匙，一手盘核桃。

而且，这些花只是为了告诉你，MyoSuite能做什么，将来能做什么Meta还表示，它们主要是运动康复，假肢开发和人体工程学应用

也许以后的假肢会比原来的好用。

MuJoCo开元

说起来，从AlphaGo到MuZero，过去机器学习算法解决的复杂问题很多，但是在复杂运动控制方向还没有用到Meta认为主要原因是缺乏与外界复杂环境的交互能力

换句话说，现有的框架既没有嵌入复杂和熟练的运动任务，也没有足够的计算效率或可扩展性来满足机器学习算法的数据要求。

Meta表示，MyoSuite有望填补这些空白。

目前，MyoSuite已经在MacOs和Linux上用MuJoCo v2.1.0进行了测试。

碰巧的是，DeepMind也在同一天向MuJoCo开源。

MuJoCo最初是由华盛顿大学运动控制实验室主任，神经科学家埃莫·托多洛夫开发的2015年，它通过初创公司Robi LLC被打造成了一款商业产品

2021年10月，DeepMind宣布收购MuJoCo物理模拟器，并承诺将MuJoCo开发和维护为一个免费，开源，社区驱动的项目。

目前，物理模拟器是机器人研究的重要工具通常可以分为商业闭源软件和学术开源软件

第一类对用户是不透明的虽然有时候可以免费使用，但是无法修改，很难理解第二类通常用户基数较小，当其开发人员和维护人员毕业后会受到影响

MuJoCo是为数不多的由成熟公司支持的全功能模拟器这是真正的开源代码

作为一个研究驱动的组织，DeepMind将MuJoCo视为一个合作平台，机器人专家和工程师可以加入我们，开发世界上最好的机器人模拟器之一。

目前DeepMind的开源工作已经完成，MuJoCo的全部代码库已经上传到GitHub。

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。