第1章 · 试车场全景：定位、生态与选型

第 1 章 · 试车场全景：定位、生态与选型

本章要回答的三个问题：MuJoCo 凭什么在十几款物理引擎里成为机器人与强化学习研究的默认选项之一？它的生态里已经有哪些现成的模型、工具和基准可以直接用？当 PyBullet、Isaac Sim、ODE 都摆在桌面上时，什么场景该选 MuJoCo、什么场景千万别选？这三问分别对应 1.1、1.2、1.3 三节。

为什么会有这一章

多数人接触 MuJoCo 的路径是被动的：想复现一篇论文，环境依赖里躺着一行 mujoco，装完就开跑，从头到尾没想过它为什么在那里。这样用不会立刻出错，但一旦涉及选型和排错，就会撞墙——比如把适合大规模并行的任务压在单线程 CPU 引擎上跑，抱怨它慢；或者在需要逼真视觉感知的项目里，误以为物理引擎自带的渲染能扛下所有活。

选型错误的根源是只看过功能清单，没理解设计取舍。物理引擎不是越大越好，每一款都为某类问题牺牲了另一些能力：游戏引擎为帧率放弃求解精度，通用引擎为易用性放弃接触动力学的严谨性。MuJoCo 的取舍非常鲜明——它把计算资源几乎全部押在「多体接触动力学的快速精确求解」上，其他一切都为这个核心让路。不先看清这一点，后面每一章的参数含义都会似懂非懂。

另一个现实原因是生态。2012 年前后 MuJoCo 还是收费授权的商业软件，那时选它要过预算关；2021 年底被 DeepMind 收购并开源后，这个顾虑消失了，取而代之的是新问题：生态里那么多现成模型库、基准环境和配套工具，哪些是主流、哪些已停止维护？这直接影响你项目的起点高度。1.2 节会把这份家底盘清楚。

读完能解决什么

对照开头三问，读完本章你应当能够：

• 用「软接触凸优化 + 确定性步进」这套关键词，向同事解释清楚 MuJoCo 与游戏引擎的本质区别，以及它在精度与速度之间站在什么位置；
• 面对一个新项目，快速判断它属于「MuJoCo 甜蜜区」（接触密集的机械臂与足式机器人控制、RL 训练）、还是「应绕行区」（以视觉真实性为核心诉求的场景）；
• 拿出一张对比表和同事过选型会：MuJoCo 与 PyBullet 在求解精度与生态惯性上的差异、与 Isaac Sim 在物理与渲染分工上的差异、与 ODE 在约束求解范式上的代差；
• 知道 gymnasium 机器人环境、Menagerie 模型库、dm_control 这些生态资产各自能省你多少事。

各节怎么分工

三节是递进关系：先立标准（1.1），再看家底（1.2），最后做决策（1.3）。跳过前两节直接看对比，容易把「别人说它好」当成自己的结论。

本章的全景一张图

这张图是全册的导航缩影：第一章帮你完成最上面的分叉判断，后续章节沿着「甜蜜区」这条边往下走。判断结果落在 D 或 E 的读者，1.3 节也会给出替代方案的建议，不必硬套本书。

先决条件

• 会 Python 基础语法，本节的对比不涉及写代码；
• 知道「物理仿真」大致是什么（在计算机里数值求解物体运动）即可，不需要多体动力学基础；
• 如果你有具体的在手项目，带着它读——每节末尾的判断标准，直接往你的需求上套；
• 不需要提前安装任何东西，环境搭建放在第二章开头，与建模实战连在一起讲。

补一句关于读法的建议：本章三节都带有「判断清单」性质的产出，适合边读边做笔记——把每节结尾的标准抄下来，读完全章你就拥有一页自己的选型备忘录。这页纸在项目立项会和评审答辩时的用处，比记忆任何一段引擎历史都大。

往下走到哪

本章结束时，你应当已经确认「这个项目适合 MuJoCo」，并且知道去哪里拿现成模型。下一章把样机造出来：MJCF 建模语言从语法结构到机械臂完整建模复盘，读完你能亲手写出第一个可在试车场里跑起来的数字样机。如果 1.3 的结论是你的项目该选别的引擎，本书前两章依然值得一读——建模与接触调参的心法在各引擎间是相通的。