القائمة
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/MIUAV/vibe-coding-ros2 --skill mujocoيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
عرض SKILL.md
استنادا إلى تصنيف SOC المهني
| name | mujoco |
| description | MuJoCo 物理仿真开发技能 - 高性能物理引擎、强化学习环境、MJCF 模型、GPU 加速 |
| argument-hint | mujoco仿真 OR 强化学习 OR MJCF模型 OR 机器人控制 |
| user-invocable | true |
用于 MuJoCo 物理仿真环境的配置和开发
当需要以下帮助时使用此技能：
# 安装 mujoco-py
pip install mujoco-py
# 或安装 mujoco (新版本)
pip install mujoco
# 下载 MuJoCo 引擎
# https://github.com/deepmind/mujoco/releases
# 解压到 ~/.mujoco/mujoco200
import mujoco
import mujoco.viewer as viewer
# 加载模型
model = mujoco.MjModel.from_xml_path("robot.xml")
data = model.data
# 创建查看器
v = viewer.launch_passive(model, data)
# 仿真循环
for _ in range(1000):
mujoco.mj_step(model, data)
v.sync()
<mujoco model="my_robot">
<!-- 编译器设置 -->
<compiler angle="radian" meshdir="meshes" autolimits="true"/>
<!-- 选项设置 -->
<option timestep="0.002" integrator="Euler" iterations="50" tolerance="1e-10"/>
<!-- 全局设置 -->
<global>
<gravity gravity="0 0 -9.81"/>
<wind wind="0 0 0"/>
<density density="1.0"/>
<viscosity viscosity="0.0"/>
</global>
<!-- 世界资源 -->
<worldbody>
<!-- 地面 -->
<geom type="plane" size="10 10 0.1" rgba="0.5 0.5 0.5 1" friction="0.4 0.005 0.0001"/>
<!-- 光照 -->
<mujoco model="biped_robot">
<compiler angle="radian" meshdir="meshes" autolimits="true"/>
<option timestep="0.002" iterations="100" solver="Newton" gravity="0 0 -9.81"/>
<worldbody>
<!-- 躯干 -->
<body name="torso" pos="0 0 1.0">
<freejoint/>
<inertial pos="0 0 0" mass="8" diaginertia="0.1 0.08 0.08"/>
<geom type="capsule" size="0.07 0.2" rgba="0.4 0.4 0.4 1" friction="0.5"/>
<!-- 头部 -->
<body name="head" pos="0 0 0.25">
<inertial pos= = =/>
import gymnasium as gym
from gym import spaces
import numpy as np
class MuJoCoEnv(gym.Env):
def __init__(self, model_path="robot.xml"):
super().__init__()
# 加载模型
self.model = mujoco.MjModel.from_xml_path(model_path)
self.data = self.model.data
# 定义空间
self.action_space = spaces.Box(
low=-1, high=1,
shape=(self.model.nu,),
dtype=np.float32
)
self.observation_space = spaces.Box(
low=-np.inf, high=np.inf,
shape=(self.model.nq + self.model.nv + self.model.nu,),
dtype=np.float32
)
def reset(self, seed=None, options=None):
# 重置状态
mujoco.mj_resetData(self.model, self.data)
# 获取观察
obs = self._get_obs()
return obs, {}
def step(self, action):
# 应用控制
self.data.ctrl[:] = action
# 仿真一步
mujoco.mj_step(.model, .data)
obs = ._get_obs()
reward = ._compute_reward()
done = ._is_done()
obs, reward, done, , {}
():
np.concatenate([
.data.qpos,
.data.qvel,
.data.ctrl
])
():
():
():
from dm_control import suite
import numpy as np
# 加载环境
env = suite.load(domain_name="walker", task_name="run")
# 获取观察和动作规格
action_spec = env.action_spec()
observation_spec = env.observation_spec()
# 运行 episodes
time_step = env.reset()
while not time_step.last():
action = np.random.uniform(action_spec.minimum, action_spec.maximum)
time_step = env.step(action)
print(f"Reward: {time_step.reward}")
def pd_control(model, data, kp=1.0, kd=0.5):
"""PD 控制器"""
# 目标位置 (可以从外部输入)
q_des = np.zeros(model.nq)
qdot_des = np.zeros(model.nv)
# PD 控制
q_error = q_des - data.qpos
qdot_error = qdot_des - data.qvel
# 计算控制力
ctrl = kp * q_error + kd * qdot_error
return ctrl
def impedance_control(model, data, target_pos, k_p=100, k_d=10):
"""阻抗控制器"""
# 当前末端位置 (假设为最后一个 body)
current_pos = data.body_xpos[-1]
# 位置误差
error = target_pos - current_pos
# 阻抗控制力
f = k_p * error - k_d * data.cvel
# 转换为关节力 (简化版)
ctrl = np.zeros(model.nu)
# 实际需要使用 Jacobian
return ctrl
# 检查 GPU 可用性
print(mujoco.get_platform())
# 启用 GPU
model = mujoco.MjModel.from_xml_path("robot.xml",
nthread=4,
nsubsteps=2)
# 使用 dm_control 并行环境
from dm_control import composer
from dm_control import suite
# 创建并行环境
env = suite.load(domain_name="cartpole",
task_name="balance",
visualize_reward=False)
# 并行步骤
for _ in range(1000):
action = env.action_spec().sample()
time_step = env.step(action)
# 关节位置
qpos = data.qpos
# 关节速度
qvel = data.qvel
# 力
qfrc = data.qfrc
# 末端位置
end_effector_pos = data.body_xpos[-1]
# 接触力
contact_force = data.eforce
# 触地检测
for i in range(model.ncon):
contact = data.contact[i]
# contact 包含接触信息
import rclpy
from rclpy.node import Node
import mujoco
class MuJoCoROS2(Node):
def __init__(self):
super().__init__('mujoco_ros2')
# 加载模型
self.model = mujoco.MjModel.from_xml_path('/path/to/robot.xml')
self.data = self.model.data
# 订阅
self.create_subscription(
Float64MultiArray,
'/joint_commands',
self.cmd_callback,
10)
# 定时器
self.timer = self.create_timer(0.002, self.step_callback)
def cmd_callback(self, msg):
self.data.ctrl[:] = msg.data
def step_callback(self):
mujoco.mj_step(self.model, self.data)
# 发布状态
# ...
解决方案：
解决方案：
解决方案：