OpenAI 开源机器人模拟 Python 库，并行模拟处理速度提升400%

高效处理并行模拟

GPU 加速的自动 3D 渲染

直接访问 MuJoCo 函数和数据结构

支持所有的 MuJoCo 1.50 功能，比如改进的接触求解器批量模拟

轨迹（trajectory）优化和强化学习中的许多方法（如LQR，PI2和TRPO）可以从并行运行多个模拟中受益。 mujoco-py通过OpenMP使用数据并行，并通过Cython和NumPy直接访问内存管理，从而使批量模拟更有效率。

新版本的MjSimPool接口的初步使用显示，速度超过旧版本的 400％，并且在一个已优化和受限的使用模式中（通过 Python 的多处理工具包获取相同水平的并行计算）仍然大约为旧版本的180%。提速的大部分原因在于MuJoCo各种数据结构的访问时间缩短。

高性能纹理随机化

在OpenAI的许多项目中都使用域随机化技术。 最新版本的mujoco-py支持支持自动的（headless）GPU 渲染，与基于CPU的渲染相比，它的速度有40倍的提升，可以每秒产生数百帧的合成图像数据。 在上述（减速）动画中，OpenAI使用理随机化技术来改变一个机器人的纹理，帮助这个机器人辨识其身体（在将其从模拟器转移至现实时）。 请查看examples / disco_fetch.py以获取随机纹理生成的示例。

采用mujoco-py实现VR

由mujoco-py公开的API足以使虚拟现实交互而无需任何额外的C ++代码。 OpenAI使用mujoco-py将MuJoCo的C ++ VR示例移植到Python。 如果您有HTC Vive VR设置，您可以尝试使用这一示例（此支持被认为是实验性的，但是OpenAI已经在内部使用它了）。

API和用法

开始使用mujoco-py的最简单的方式是使用MjSim class。 它是围绕模拟模型和数据的包装（wrapper），可让您轻松地进行模拟并从相机传感器中渲染图像。 下面是一个简单的例子：

from mujoco_py import load_model_from_path, MjSimmodel = load_model_from_path（"xmls/tosser.xml"）sim = MjSim（model）

sim.step（）

print（sim.data.qpos）

# => [ -1.074e-051.043e-04 -3.923e-050.000e+000.000e+00]

对于高阶用户，OpenAI 提供了大量的低水平接口以直接访问 MuJoCo C 结构体和内部函数。