外观
新闻Google DeepMind MuJoCo 官方发布1 个月前
MuJoCo 3.13发布discrete积分器，突破刚性伺服仿真步长限制
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（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。
来源
本页事实对应的公开页面，以原文为准。