在过去一年的研究中，OpenAI团队开源一个使用 MuJoCoengine开发的用于模拟的高性能Python库。该Python库是OpenAI团队深入学习机器人研究的核心工具之一，现在该团队发布的是作为MuJoCo的主要版本的mujoco-py（Python 3 的 MuJoCo 绑定）。 Mujoco-py 1.50.1.0带来了许多新的功能和显着的性能提升。雷锋网获悉，新功能包括以下几点：

　　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-05 1.043e-04 -3.923e-05 0.000e+00 0.000e+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。