# MuJoCo 3.13发布discrete积分器，突破刚性伺服仿真步长限制

> 原文链接：https://robotics.hellobike.com/news/2026-09-09-google-deepmind-mujoco-3-13-0
> 频道：news | 更新日期：2026-09-09 | 标签：auto, release, github
> 核心摘要：MuJoCo 3.13.0新增discrete积分器，融合约束求解与隐式速度更新，使被动弹簧与执行器位置增益在远超显式稳定性极限的步长下保持稳定，多滑动接触场景Newton求解器提速1.4至4倍。

# MuJoCo 3.13发布discrete积分器，突破刚性伺服仿真步长限制

::: v-pre
> 本文由 AI 根据公开内容整理，可能有误，请以原文为准：[google-deepmind/mujoco 发布 3.13.0 版本更新](https://github.com/google-deepmind/mujoco/releases/tag/3.13.0)（Google DeepMind MuJoCo 官方发布）

## 核心内容

Google DeepMind发布MuJoCo 3.13.0版本，核心推出全新discrete积分器，将约束求解与隐式速度更新合并为单一操作。该更新解决了长期困扰具身智能仿真的刚性伺服 timestep 限制问题，支持Python 3.15 Free-Threading，并修复了自3.3.0版本以来稀疏惯性分解中非正主元钳制缺失导致的数值发散隐患，显著提升物理仿真鲁棒性。

discrete积分器在有效度量矩阵中引入隐式阻尼与位置刚度项，使关节、肌腱及执行器刚度参与求解器度量计算，`mjData.qacc`变为离散步进映射。针对多滑动接触场景，Newton求解器采用单次重构替代逐接触秩1更新，平均加速1.4-2倍，峰值达3-4倍。此外，Site几何体新增mesh类型关联，支持可视化与`insidesite`传感器，`.mjz`归档根文件统一重命名为`model.xml`以增强兼容性。

## 关键看点

- **discrete积分器**：融合约束求解与隐式更新，在有效度量中纳入隐式阻尼与刚度，使刚性伺服在大步长下保持稳定
- **Newton求解优化**：椭圆锥场景改用单次Hessian因子重构，多滑动接触平均提速1.4-2倍，最慢步提速3-4倍
- **数值稳定性修复**：恢复稀疏惯性分解非正主元钳制，解决奇异质量矩阵导致的非有限加速度与自动重置问题
- **API破坏性变更**：移除implicit/implicitfast下flex有效度量特例，相关模型需迁移至discrete积分器否则报错

## 工程与产业观察

discrete积分器通过隐式处理刚度与阻尼，从根本上解耦了仿真步长与执行器带宽的强绑定，使高增益伺服控制策略可在更大步长下稳定训练，显著降低Sim-to-Real迁移中的动力学失配风险。结合Newton求解器针对多接触的算法级加速，该版本为高频控机器人强化学习提供了更高效、更保真的物理引擎基座。
:::

## 原始参考来源 (Sources)

- [Google DeepMind MuJoCo 官方发布：google-deepmind/mujoco 发布 3.13.0 版本更新](https://github.com/google-deepmind/mujoco/releases/tag/3.13.0)