Menu
Le prompt qui vérifie d'abord la source est sélectionné par défaut. Vous pouvez passer à une commande directe ou télécharger une copie locale.
Lisez SKILL.md et les fichiers associés affichés par SkillsMP avant de décider de l'installer.
Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.
Une commande directe contourne le prompt de vérification. Examinez la source avant de l'exécuter.
npx skills add https://github.com/MIUAV/vibe-coding-ros2 --skill mujocoLa commande reste sur une seule ligne. Faites défiler horizontalement pour la vérifier avant de la copier.
Vous préférez une copie locale ? Téléchargez les fichiers actuellement disponibles dans SkillsMP.
Affichage de SKILL.md
Basé sur la classification professionnelle SOC
| 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：