ロボット制御や強化学習の開発を始めるとき、最初に立ちはだかるのが「どのシミュレータを使うか」という問いです。MuJoCo、Isaac Lab、Genesis、Bullet、Drake、Gazebo——候補は年々増えており、しかもそれぞれが「ロボティクス向け」を名乗っています。選択肢が多いこと自体は歓迎すべきことですが、比較軸がないまま並べられると、かえって決められなくなります。
やっかいなのは、この選定のやり直しコストが高いことです。シミュレータを変えるということは、モデル記述のフォーマット、Python API、環境ラッパー、学習コードの前提をまとめて書き換えるということです。数週間かけて学習パイプラインを組んだ後に「このエンジンでは必要な拘束が表現できない」と気づく展開は、できれば避けたいところです。
一方で、判断材料を探しに行くと別の壁にぶつかります。比較記事の多くは英語圏の総覧記事で、機能一覧の羅列か、出典のはっきりしない性能数値の比較に終始しています。さらに MuJoCo は 2026 年 11 月 6 日にメジャーバージョン 4.0.0 がリリースされたばかりで、既存の比較記事はこの変更に追従していません。破壊的変更が含まれているため、古い情報のまま採用判断を下すのは危険です。
そこで本記事では、MuJoCo の公式ドキュメント・README・リリースノートという一次情報から、採用判断に必要な軸を再構成します。具体的には、MuJoCo がどういう定式化を選んだ物理エンジンなのか、モデルをどう記述して資産化するのか、GPU 並列はどの実装が担うのか、4.0 で何が変わったのか、そして類似 OSS とレイヤがどう違うのか——という順で整理します。
なお本記事の記述は、公式ドキュメント・GitHub リポジトリの README・各リリースノート、および GitHub API から取得したリポジトリメタデータに基づくものです。インストールや実行による動作検証は行っておらず、すべて公開ドキュメントを整理した内容である点をあらかじめお断りしておきます。
MuJoCoとは|Google DeepMindが公開する多関節物理シミュレータ
MuJoCo という名前は Multi-Joint dynamics with Contact の略です。名前がそのまま守備範囲を表しており、「関節構造を持つ物体が、環境と接触しながら動く様子」を高速かつ正確にシミュレートすることを目的とした汎用物理エンジンです。README は想定用途として、ロボティクス、生体力学、グラフィックス・アニメーション、機械学習を挙げています。
来歴も採用判断に関わるので触れておきます。元は Roboti LLC が開発していた商用ソフトウェアで、Google DeepMind が取得して無償公開し、2022 年 5 月にオープンソース化されました。つまり「研究プロジェクトとして始まったものがたまたま公開された」のではなく、商用製品として作り込まれたコードベースが OSS として開放された、という経緯を持ちます。引用すべき論文も明示されており、Todorov, Erez, Tassa による "MuJoCo: A physics engine for model-based control"(IROS 2012)が正式な引用先です。
GitHub API から取得した 2026 年 11 月 17 日時点のリポジトリ情報は次のとおりです。
項目 | 値 |
|---|---|
リポジトリ | google-deepmind/mujoco |
説明 | Multi-Joint dynamics with Contact. A general purpose physics simulator. |
主要言語 | C++ |
ライセンス | Apache-2.0 |
スター数 | 18,175 |
フォーク数 | 2,206 |
最終 push | 2026-11-16 |
公開状態 | public |
このリポジトリはアーカイブ(archived)されておらず、他リポジトリのフォーク(fork)でもない、上流のオリジナルリポジトリです。最終 push が 2026 年 11 月 16 日であることと合わせて、現在も能動的にメンテナンスされている状態だと確認できます。「数年前に話題になったが今はどうなのか」という不安を持って調べている場合、この点はまず確認しておきたいところです。
ライセンス面も先に整理しておきます。ソースコードは Apache-2.0 で、特許条項を含むため企業での利用審査が通りやすい部類に入ります。ただし README は補足も載せており、doc ディレクトリ配下の reStructuredText・画像・動画は CC BY 4.0、箱同士の衝突判定コード(engine_collision_box.c)は別の著作権表示を持つ、と明記されています。商用プロダクトに組み込む際は、コードだけでなくドキュメント資産の再利用条件も確認対象になります。
導入前にまず触ってみたい場合、公式サイト mujoco.org からブラウザ上で動かせます。WebAssembly 版の MuJoCo Studio が live.mujoco.org で公開されており、ネイティブの C 実装より低速である旨の注記付きで提供されています。インストール前に挙動の感触を掴む用途には十分です。
MuJoCoが選ばれる3つの設計上の理由
ここからが本題です。機能一覧を眺めても選定判断にはつながらないため、MuJoCo が他エンジンと何を違えて設計されているのかを、公式ドキュメントの Overview の記述に沿って整理します。結論を先に言えば、差分は「座標系の選択」「接触の定式化」「データ構造の分離」の 3 点に集約できます。
一般化座標を採用し、関節拘束が構造的に破れない
多くのゲームエンジン系の物理エンジンは、剛体の位置・姿勢をデカルト座標(過完備な表現)で持ち、関節は「拘束」として数値的に解決します。この方式では、拘束の解決が不完全だと関節が伸びたり外れたりする現象が起こり得ます。
MuJoCo は一般化座標(generalized coordinates、関節座標とも呼ばれます)を採用しています。関節の自由度そのものを状態変数として持つため、関節拘束は表現に組み込まれており、数値的に破れることがありません。多関節ロボットのように関節が連鎖する構造では、この差は安定性に直結します。
この選択は、後述する接触の定式化とセットで評価する必要があります。公式ドキュメントは他エンジンとの差を次のように説明しています——多くのエンジンは「一般化座標+単純な接触(あるいは微小タイムステップを要するバネダンパ接触)」か「デカルト座標+NP 困難な接触定式化」のどちらかを選んでいる、と。MuJoCo はこの両者の組み合わせを変えた点に独自性があります。
接触をソフトかつ凸な最適化問題として解く
接触力の計算は、物理エンジンの性格を最も強く決める部分です。厳密な剛体接触は線形相補性問題(LCP)や非線形相補性問題(NCP)として定式化され、これは一般に NP 困難です。そのため実装は何らかの近似を入れることになり、どの近似を選んだかがエンジンの挙動を決めます。
MuJoCo は接触を「ソフトで凸」な最適化問題として定式化します。凸問題に帰着するため、解の一意性と数値的な扱いやすさが得られます。実務上の帰結として大きいのは、逆動力学(与えられた運動から必要な力を逆算する計算)が一意に定まることです。模倣学習やシステム同定のように、観測された軌道から力やトルクを推定する処理を含むパイプラインでは、この性質が効いてきます。
ソルバは複数用意されています。既定の Newton ソルバは二次収束を持ち、ほかに共役勾配法、そして楕円摩擦錐を扱える一般化 Projected Gauss-Seidel が選べます。拘束の挙動は solref / solimp というパラメータで拘束ごとに設定でき、硬さや緩和の特性をモデル側で調整できます。
接触以外の拘束も揃っています。ねじり摩擦・転がり摩擦、関節および腱の乾性摩擦、関節・腱のリミット、複数種の等式拘束がサポートされています。腱については、空間腱が球や円柱に巻き付く挙動を閉形式で扱い、固定腱は関節位置の線形結合として定義できます。生体力学的なモデルや、ケーブル駆動機構を扱う場合に効いてくる要素です。
アクチュエータの設計も触れておく価値があります。MuJoCo のアクチュエータは「伝達(joint / tendon / slider-crank / site / body)」「活性化ダイナミクス」「力生成」の 3 要素が独立しており、活性化ダイナミクスを入れると系を 3 階にできます。筋モデルや空気圧アクチュエータのように、指令から実際の力発生までに遅れを持つ系を素直に表現できます。
mjModel と mjData の分離が並列サンプリングを支える
3 つ目は、物理の定式化ではなくデータ構造の話です。強化学習のように大量のロールアウトを回す用途では、ここが性能を左右します。
MuJoCo は状態を 2 つの構造体に分けています。mjModel はコンパイル済みのモデル記述で、相互索引済みの定数データです。mjData は動的状態と中間結果をすべて保持する作業領域で、あらかじめ確保されたスタックを持ちます。この設計により、初期化が済んだ後のランタイムではメモリ確保が発生しません。
この分離が効いてくるのが並列化です。1 つの mjModel を共有しながら複数の mjData インスタンスを持てるため、マルチスレッドでのサンプリングや有限差分の計算が自然に書けます。モデルは読み取り専用で共有し、状態だけをスレッドごとに持つ、という構造です。
さらに、拘束アイランド(相互作用する物体のまとまり)ごとに独立して解ける仕組みがあり、静止したアイランドは sleep させることができます。多数の物体が存在するシーンで、動いていない部分の計算を省ける設計です。
シミュレーションパイプラインそのものも開かれています。mj_step が順動力学の全体を実行しますが、フラグで各段階を有効・無効化でき、低水準の関数を直接呼ぶこともできます。既存の計算の途中に独自処理を挟みたい研究用途では、この可視性と改変可能性が選定理由になります。プラグイン機構も用意されており、動的ロードされる共有ライブラリとしてセンサ・アクチュエータ・受動力を追加できるため、コア本体を改変せずに拡張できます。
ソフト接触の「想定挙動」を誤解しないために
最後に、初見時に混乱しやすい点を 1 つ挙げておきます。MuJoCo の接触モデルはソフトであるため、重力下に置いた物体が緩やかにスリップしたり、たわんだりすることがあります。公式ドキュメントはこれを明確に「バグではなく想定された挙動」と説明しています。
対処方法も示されています。solref / solimp / impratio を調整する、あるいは Newton ソルバを使う、という方向です。スリップを強く抑えたい場合は NoSlip 後処理ソルバも用意されていますが、これを使うと問題が凸でなくなるためロバスト性が下がる、というトレードオフが明記されています。
この種の「想定挙動とその調整手段、そして調整に伴うトレードオフ」が公式ドキュメントに書かれていること自体が、評価材料になります。採用後に原因不明の挙動と向き合う時間を減らせるかどうかは、ドキュメントの質に大きく依存するためです。
MJCFとmjSpec|MuJoCoのモデル記述とプログラム的な編集
シミュレータを採用するということは、そのモデル記述形式を資産として抱えるということです。ここは比較記事があまり触れない領域ですが、長期運用では無視できません。
MuJoCo のモデル記述言語は MJCF という XML フォーマットです。人間が読み書きできることを狙って設計されており、CSS に似た default 機構を持ちます。共通の属性をデフォルトとして定義し、個別の要素で上書きする書き方ができるため、記述量を抑えられます。
さらに、XML コンパイラが多くの情報を推論します。ボディフレーム、慣性(既定では密度 1000 の一様密度を仮定)、衝突ルールなどが自動的に埋められるため、モデル記述そのものは短く済みます。URDF の読み込みにも対応しているので、ROS 系のワークフローで作られた既存モデルを取り込む経路もあります。
モデルの処理パイプラインは次の流れになります。MJCF / URDF あるいは MJZ を読み込み、mjSpec というメモリ上の高水準表現を作り、コンパイラを通して mjModel という低水準のランタイム表現を得る、という構成です。
ここで運用上の注意が 1 つあります。コンパイル済みのバイナリ形式である MJB は、バージョン依存であり逆コンパイルできません。公式ドキュメントは、保守の対象とすべきは XML か MJZ である旨を明示しています。ビルド成果物を単一の情報源として扱ってしまうと、将来のバージョンで読めなくなった時点で復元手段を失います。モデルをリポジトリ管理する際は、MJCF(あるいは MJZ)を正とし、MJB は派生物として扱う運用が前提になります。
モデルを手続き的に生成したい場合は、mjSpec を Python から操作できます。空の spec を作る、あるいは文字列やファイルから読み込み、add_body / add_geom などで要素を追加し、compile() でコンパイルし、to_xml() や encode() で保存する、という流れです。attach_body / attach_frame / attach を使えば複数の spec を合成できるため、「ロボット本体のモデルに、タスクごとの対象物を差し込む」といった組み立てをコードで行えます。ドメインランダマイゼーションで形状やパラメータを振りたい場合に効いてくる機能です。
変形体への対応も触れておきます。flex 要素によって 1D のケーブル、2D の布、3D のソフトボディを扱え、flexcomp マクロでメッシュやグリッド、パラメトリック形状から生成できます。剛体だけでは表現できない対象を扱う計画があるなら、確認しておく価値があります。
Pythonから使うMuJoCo|導入方法と4.0でのパッケージ分割
本体は C/C++ ですが、実際の研究開発で触るのは Python バインディングであることが多いはずです。導入のしやすさは採用判断に直結するので、Python bindings の公式ドキュメント の内容を整理します。
導入は PyPI 経由です。README には次のコマンドが記載されています。
pip install mujoco
出典: google-deepmind/mujoco README
対応する Python は 3.11 以上です。このパッケージは MuJoCo ライブラリ本体を同梱するため、別途バイナリをダウンロードする必要はありません。Linux 向け wheel は manylinux2014 をターゲットにビルドされています。
Python を使わない場合でも、README は GitHub の releases ページで配布されるビルド済みバイナリ(Linux x86-64 / AArch64、Windows x86-64、macOS universal)の利用を「推奨される方法」と明記しています。ソースからのビルドも可能ですが、main ブランチの先端は不安定な可能性がある旨の注記が付いています。まず動かしたい段階では、ビルド済みバイナリか pip を選ぶのが素直です。
API の基本形はシンプルです。XML からモデルを読み込んで MjModel を作り、そこから MjData を生成し、mj_step で時間を進める——という 3 ステップが中心になります。構造体は mujoco.MjData のように先頭大文字で、関数・定数はトップレベルの mujoco モジュールから参照できます。公式ドキュメントに最小構成のコード例が掲載されているので、手を動かす際はそちらを参照してください。
実装時に把握しておきたい注意点が 1 つあります。Python 側の構造体フィールドは MuJoCo 本体とメモリを共有しているため、ステップをまたいで値を保持したい場合は .copy() が必要です。観測値を配列に貯めていくコードで、気づきにくい不具合の原因になり得る箇所です。
要素へのアクセスには名前付きアクセスが用意されています。m.geom('gizmo').rgba のようにカテゴリ単位のメソッドから名前でアクセサを取得でき、.id と .name を持ちます。従来の mj_name2id / mj_id2name を置き換えるもので、参照は O(1) です。joint → jnt、tendon → ten といったエイリアスも用意されています。
可視化は 3 つの形態があります。viewer.launch(model, data) による managed モード(ブロッキング)、python -m mujoco.viewer によるスタンドアロン起動、そして viewer.launch_passive(m, d) による passive モードです。passive モードでは物理を進めるのはユーザースクリプト側で、viewer.lock() と viewer.sync() を使って描画と同期します。macOS では passive モードの実行に mjpython が必要である点は、環境構築の計画に影響するため覚えておく価値があります。
強化学習用途で見逃せないのが rollout モジュールです。rollout.rollout(model, data, initial_state, control) がスレッドプールで多数の軌道を並列実行し、その間 GIL を解放します。最終状態とセンサデータを返し、モデルとデータはバッチ化できます。発散したロールアウトは time が単調増加しないことで検出可能で、persistent_pool=True でプールを再利用できます。GPU を使わない構成でも、CPU のコア数を使い切る形で並列サンプリングを回せる設計です。
そして 4.0.0 で変わった点が 1 つあります。mujoco パッケージはメタパッケージになり、実体は mujoco-core(コアバインディングと C ライブラリ。依存は numpy のみ)と mujoco-studio(Studio と Filament レンダラのバインディング)に分割されました。
この分割は、用途によっては利点になります。ヘッドレスで強化学習を回すだけなら mujoco-core のみを入れればよく、OpenGL レンダリングまわりの依存を持ち込まずに済みます。コンテナイメージを軽く保ちたい場合には効いてきます。OpenUSD サポートが必要なら mujoco[usd] または mujoco-usd という選択肢もあります。
ただし既存環境からのアップグレードには手順上の注意があります。詳細は次で扱います。
GPUで大規模並列化するMJXとMuJoCo Warpの使い分け
「MuJoCo は CPU ベースだから、GPU 前提の新しいシミュレータより遅い」という理解で比較を終えてしまうと、選定を誤ります。GPU 並列は MJX と MuJoCo Warp が担っており、ここを含めて比較するのが正しい評価です。MJX の公式ドキュメント の内容を整理します。
MJX は、XLA 対応アクセラレータ上で MuJoCo 物理を動かす JAX ベースの API です。PyPI パッケージ名は mujoco-mjx で、モデルコンパイルと可視化のために mujoco に、Warp バックエンドのために MuJoCo Warp に依存します。
重要なのは、MJX に 2 つの実装がある点です。
観点 | MJX-JAX | MJX-Warp |
|---|---|---|
実装 | MuJoCo アルゴリズムの純粋な JAX 再実装 | MuJoCo Warp(NVIDIA Warp)上に構築 |
対応ハードウェア | NVIDIA / AMD GPU、Apple Silicon、Google Cloud TPU | NVIDIA GPU 向けにチューニング |
自動微分 | 近似微分をサポート(勾配ベースのワークフロー向き) | 非対応 |
機能カバレッジ | サブセットに制限 | ほぼ全機能(一部例外あり) |
向くワークロード | 微分可能物理、TPU 利用、幅広いハード対応が必要な場合 | NVIDIA GPU での大規模並列、接触・拘束がボトルネックになる場合 |
機能カバレッジの差は具体的です。MJX-JAX がサポートするのは、関節が FREE / BALL / SLIDE / HINGE、ソルバが CG / NEWTON、積分器が EULER / RK4 / IMPLICITFAST、ヤコビアンは dense のみ、腱は fixed と spatial のみで、flex は非対応、流体モデルは inertia のみです。一部のジオムペアも欠けており、ELLIPSOID と CYLINDER はプリミティブとのみ衝突します。
MJX-Warp はほぼ全機能をカバーしますが、PGS ソルバ、noslip ソルバ、SDF ジオム、PLUGIN センサは対象外です。dense / sparse の両ヤコビアンに対応し、BVH で加速されたレイキャストを持ちます。公式ドキュメントは MuJoCo Warp を「アクセラレータ向け MuJoCo 実装として最も機能が揃ったもの」と表現しており、微分可能性や TPU が必要な場合に MJX-JAX を選ぶ、という整理を示しています。
性能特性にも癖があります。MJX-JAX は大量の並列シーンを前提とした設計で、単一シーンの実行では CPU 版 MuJoCo より最大 10 倍遅くなり得ると明記されています。また、接触数が増えたときのスループット低下が CPU 版より急です。「GPU なら無条件で速い」わけではなく、バッチ数と接触数の兼ね合いで評価する必要があります。
公式ドキュメントが挙げるチューニング指針は次のとおりです。iterations と ls_iterations を下げる、GPU では NEWTON(TPU では CG)を使う、接触ペアを絞る、maxhullvert を 64 以下に抑える。ヤコビアンの既定は 60 DOF 以上または TPU の場合に sparse、それ以外は dense で、GPU ではメモリに収まる限り dense のほうが速いことが多いとされています。TPU では sparse と Newton の組み合わせが 2〜3 倍速くなることがあり、NVIDIA GPU では XLA_FLAGS=--xla_gpu_triton_gemm_any=true の指定で約 30% の高速化が見込める、とも記載されています。
公式ベンチマークの数値も公開されています。Humanoid モデルで、純 Warp が 3.35M steps/s、既定モードの JAX FFI 経由が 2.96M steps/s です。MJX-Warp はグラフモード(既定の WARP、WARP_STAGED、WARP_STAGED_EX)で CUDA グラフの再キャプチャを制御します。なお、外部の比較記事には他エンジンとの性能比を示す数値が散見されますが、出典や測定条件が確認できないものが多いため、本記事では公式ドキュメント記載の値のみを扱っています。
使い方の差分も押さえておきます。mjx.put_model と mjx.make_data(または put_data)でデバイスに載せ、mjx.Model / mjx.Data を得ます。配列がバッチ次元を持てるため、ドメインランダマイゼーションと並列シミュレーションが自然に書けます。関数名は PEP 8 の snake_case で、既定では JIT されません。numpy backed のフィールドには構造的なものがあり、変更すると JAX の再コンパイルが走ります(jnt_range などは実行時に変更可能です)。MJX-Warp は生成時に naconmax / njmax を要求し、接触は private の _impl フィールドに格納されます。加えて、data.where(done, reset_data) によるバッチリセットと、BVH の refitting を伴うバッチレンダラが提供されます。
MuJoCo 4.0の変更点|採用前に確認すべき破壊的変更
ここが、既存の比較記事では埋まらない部分です。MuJoCo は 2026 年 11 月 6 日に 4.0.0、同年 11 月 11 日に 4.0.1 をリリースしました。メジャーバージョンの更新には破壊的変更が含まれるため、新規採用でも既存モデルの移行でも確認が必要です。4.0.0 のリリースノート と MuJoCo 4.0 のアナウンス が一次情報になります。
追加された機能
speculative contacts(speculative という enable フラグ)が追加されました。高速で移動する凸ジオムが、1 タイムステップのうちに薄い障害物をすり抜けてしまう、いわゆるトンネリング現象を防ぐ機能です。例となるモデルは model/speculative/ に置かれています。高速な投射体や薄い壁を含むシーンを扱う計画があるなら、この追加は採用判断にプラスに働きます。
弾塑性(elasto-plasticity) のサポートも入りました。塑性変形の状態は mjData.plastic(mjSTATE_PLASTIC)に保持されます。関節バネには springyield、腱バネ(spatial / fixed)にも理想弾塑性が入り、2D / 3D の flex には連続体弾塑性(yield)が追加されました。2D シェルでは伸びと曲げで降伏ひずみを分離でき、von Mises J2 のリターンマッピングが実装されています。例は model/plastic/ にあります。変形したまま戻らない材料——曲げた針金やへこんだ金属板のような対象——を扱う場合に効いてきます。
mjContact には surfacevel[3] が追加されました。接触フレーム (tangent1, tangent2, spin) における相対表面速度(geom[1] − geom[0])を保持するフィールドで、mjModel.flg_surfacevel が立っているときに衝突検出が geom_surfacevel から値を埋めます。外部の接触生成器が直接書き込むことも可能です。ベルトコンベアのように表面自体が動く機構のモデリングに関わる変更です。
破壊的変更
最も注意が必要なのが sidesite のセマンティクス変更 です。腱が側点(side site)を経由するとき、ジオムを回り込む向きの決め方が変わりました。従来は半平面テストで判定していましたが、腱長が不連続に飛ぶ、180 度を超える巻き付きで誤った側を選ぶ、といった問題がありました。4.0 ではホモトピー基準に移行し、側点を通る経路と同じ向きに回り込むようになっています。
この変更により、既存モデルの腱の挙動が変わり得ます。公式が示す移行指針は、可動域全体にわたって端点が側点の反対側の半直線を跨がないように側点を配置する、というものです。リリースノートでは具体例として、model/tendon_arm/arm26.xml の側点を関節の直下から腕の 45 度下へ移動させることで、従来の腱長を完全に再現できたことが示されています。腱を使ったモデル(筋骨格モデルやケーブル駆動機構)を既に持っている場合、ここは必ず確認する項目です。
RK4 積分器 も変わりました。ボール関節とフリー関節の姿勢について 4 次精度になっています。従来は Runge-Kutta-Munthe-Kaas の補正なしに各ステージの角速度を合成していたため、姿勢の収束は 2 次に留まっていました。精度は向上しましたが、該当するモデルのシミュレーション結果は変わります。再現性が求められる実験では、バージョン固定の方針も含めて検討が必要です。
アップグレード時の pip 手順
先に触れた Python パッケージの分割に伴い、アップグレードには手順上の注意があります。分割前の mujoco がインストールされた環境で単純に pip アップグレードすると、mujoco-core へ移動したファイルを pip が消さずに残してしまう可能性があります。
公式が案内する手順は 2 通りです。アップグレード前に pip uninstall -y mujoco してから pip install mujoco するか、アップグレード後に pip install --force-reinstall --no-deps mujoco mujoco-core mujoco-studio を実行するか、です。core のみに切り替える場合は pip uninstall -y mujoco mujoco-studio のうえで pip install --force-reinstall --no-deps mujoco-core とする旨も記載されています。CI や Docker イメージの更新で素直に pip install -U を書いてしまいそうな箇所なので、事前に把握しておく価値があります。
もう 1 点、ドキュメントの参照先にも注意が必要です。分割パッケージと OpenUSD wheel に関するドキュメントの更新は 4.0.0 公開の直後に入ったため、公式は stable や 4.0.0 ではなく latest のドキュメントを参照するよう案内しています。
メンテナンス状況の確認
採用判断の 3 つ目の論点である「メンテナンス状況は健全か」についても、リリース履歴が答えになります。
タグ | 公開日 |
|---|---|
4.0.1 | 2026-11-11 |
4.0.0 | 2026-11-06 |
3.17.0 | 2026-10-22 |
3.16.0 | 2026-10-14 |
README は「毎月第 1 週にリリースすることを目指す」という方針を明記しており、3.5.0 以降は修正版セマンティックバージョニングに従うとしています。実際のリリース履歴もこのペースに沿っており、メジャーバージョンの翌週にパッチが出ている点からも、継続的な保守が行われていることが読み取れます。リリース履歴は releases ページ で確認できます。
類似OSSとの違い|Isaac Lab・Genesis・Bullet・Drake・Gazebo
選定判断で最も知りたいのは、ここでしょう。GitHub API で 2026 年 11 月 17 日時点のメタ情報を取得した比較表を示します。
リポジトリ | スター | 言語 | ライセンス | 最終 push |
|---|---|---|---|---|
google-deepmind/mujoco | 18,175 | C++ | Apache-2.0 | 2026-11-16 |
Genesis-Embodied-AI/Genesis | 30,238 | Python | Apache-2.0 | 2026-11-16 |
bulletphysics/bullet3 | 14,867 | C++ | NOASSERTION | 2026-10-09 |
isaac-sim/IsaacLab | 8,664 | Python | NOASSERTION | 2026-11-16 |
RobotLocomotion/drake | 4,258 | C++ | NOASSERTION | 2026-11-16 |
google-deepmind/mujoco_warp | 1,637 | Python | Apache-2.0 | 2026-11-16 |
gazebosim/gz-sim | 1,582 | C++ | Apache-2.0 | 2026-11-16 |
ライセンス欄の NOASSERTION は、GitHub が SPDX 識別子を自動判定できない形式であることを示すもので、「ライセンスがない」という意味ではありません。該当する 3 件については、各リポジトリの LICENSE ファイルを直接確認する必要があります。
Isaac Lab との違い — レイヤが異なる
最も誤解されやすい比較対象です。Isaac Lab はリポジトリの説明にあるとおり「multi-physics / renderer support を備えたロボット学習の統合フレームワーク」であり、MuJoCo と同じ層にあるものではありません。「エンジン」対「学習フレームワーク」という関係で捉えるのが出発点になります。
ここで注意したいのが、物理エンジンが 1 つに固定されていない点です。Isaac Lab 3.0 の Physics Backends は、Isaac Sim と Omniverse Kit を介して動く Isaac Sim PhysX(TGS / PGS ソルバ)、Warp ベースの Newton(MJWarp・Kamino・VBD・MPM のソルバを持つ)、Omniverse Kit を使わず USD から設定する OvPhysX という 3 つのバックエンドを挙げ、共通の API の下で切り替えられると説明しています。Newton は Isaac Sim を必要とせず Warp 上で動作し、ソルバとして MJWarp を選べます。つまり「Isaac Lab = PhysX 固定」という前提で比較すると、MuJoCo 系のソルバが Isaac Lab のバックエンドとして使われ得るという関係を見落とすことになります。
ライセンスとハードウェア要件も確認対象です。Isaac Sim の License FAQ は、GitHub 上の Isaac Sim ソースコードは Apache-2.0 である一方、Omniverse Kit SDK・3D モデル・テクスチャは NVIDIA Isaac Sim Additional Software and Materials License という別ライセンスに従う、と説明しています。コード本体とその他の構成要素でライセンスが分かれるため、審査では両方を確認する必要があります。ハードウェア面では、Isaac Sim の動作要件 が RT Core を持たない GPU(A100・H100)は非対応と明記しており、x86_64 の最小構成として GeForce RTX 4080(VRAM 16GB)を挙げています。データセンタ向け GPU を持っていても使えない構成がある点は、調達計画に影響します。
MuJoCo は Apache-2.0 の物理エンジンそのもので、CPU でも動作し、GPU 並列は MJX / MuJoCo Warp が担います。比較する際は「MuJoCo + 学習ライブラリ」対「Isaac Lab」という組み合わせで並べるのが妥当です。
Genesis との違い — 守備範囲の違い
Genesis は Python 製の「汎用ロボティクス・embodied AI 学習のためのシミュレーションプラットフォーム」で、スター数は 30,238 と MuJoCo を上回っています。公式ドキュメント は Genesis を、統合されたマルチフィジックスエンジン、フォトリアルレンダラ Nyx、クロスプラットフォームのコンパイラ Quadrants という 3 つの構成要素を単一の Python API の下にまとめたものとして説明しています。物理計算だけでなく、レンダリングと実行基盤までを 1 つのプラットフォームに含める設計です。
MuJoCo は 2012 年の論文にさかのぼる C/C++ の物理エンジンで、接触モデルの定式化が公式ドキュメントに詳細に記述されています。構成要素を広く含むプラットフォームを取るか、物理エンジンとして定式化が明示されたものを取るか、という軸での比較になります。
Bullet との違い — 汎用物理 SDK との比較
Bullet はリポジトリの説明によれば「VR・ゲーム・VFX・ロボティクス・機械学習などに向けた、リアルタイム衝突検出とマルチフィジックスシミュレーションの SDK」です。守備範囲がロボティクスに限定されていない点が、MuJoCo との位置づけの差になります。Python からは PyBullet を通して利用でき、ドキュメント類はリポジトリの docs ディレクトリに SDK マニュアルと PyBullet Quickstart Guide として置かれています。
更新のペースには差があります。GitHub API で取得した最終 push は、Bullet が 2026 年 10 月 9 日、MuJoCo が 2026 年 11 月 16 日です。定式化の観点で選びたい場合は、MuJoCo が一般化座標と凸接触という選択を Overview で明示していることと、Bullet 側のマニュアルに同等の記述があるかを、実際に参照して突き合わせることをおすすめします。
Drake との違い — 目的が異なる
Drake は「ロボティクスのためのモデルベース設計と検証」を掲げており、最適化・制御設計・検証のツールキットとしての性格が強いプロジェクトです。公式サイト は Drake を C++ / Python のツールボックスとして紹介し、ロボットのダイナミクスの研究と制御系の構築を対象に、最適化に基づく設計・解析を重視していると説明しています。軌道最適化や制御器の設計・検証を主目的とするなら、Drake が持つ機能群のほうが近道になります。
MuJoCo は高速な前向きシミュレーションと並列サンプリングに最適化されています。「大量に回して学習する」ことが中心なら MuJoCo、「数学的に設計して検証する」ことが中心なら Drake、という切り分けが目安になります。
Gazebo との違い — ROS 連携の有無
Gazebo(gz-sim)はリポジトリの説明どおり「オープンソースのロボティクスシミュレータ」で、Gazebo の最新系列にあたります。選定上の差が最も出るのは ROS 2 との統合です。公式ドキュメントの ROS 2 integration overview は、ROS 2 の launch システムからの起動、ros_gz ブリッジによる Gazebo Transport と ROS トピックの相互変換、実行中のモデル投入という 3 つの統合形態を説明しています。実機の ROS スタックと同じインターフェースでシミュレーションを回したい場合、この公式サポートの有無は決定的な差になります。
MuJoCo は ROS 統合を前提としておらず、研究用途の高速シミュレーションと Python からの直接制御が中心です。ただし README は関連ソフトウェアとして gz-mujoco(SDFormat と MJCF の双方向変換)を挙げており、併用する経路も用意されています。MyoConverter(OpenSim → MJCF)、obj2mjcf、Onshape to Robot といったコンバータも紹介されており、既存資産の取り込み手段は一定程度揃っています。
MuJoCo Warp は競合ではない
比較表に含めた google-deepmind/mujoco_warp は、独立した競合プロジェクトではありません。「NVIDIA ハードウェア向けに最適化された MuJoCo 物理シミュレータの GPU 版」であり、先に触れたとおり MJX の Warp バックエンドとして公式ドキュメントに統合されています。リポジトリ一覧で見かけて別物と誤解しやすい箇所なので、整理しておきます。
なお、バインディングの選択肢も記しておきます。一次バインディングは Python、JavaScript / WebAssembly、C# + Unity プラグインです。サードパーティ製として MATLAB Simulink、Swift、Java、Julia、Rust が存在します。チームの主要言語が Python 以外の場合、この一覧が実現可能性の判断材料になります。
MuJoCoの採用を判断するチェックリスト
ここまでの材料を、判断の形に整理します。
MuJoCo が向いているケース
- 接触が支配的なタスク(物体操作・把持・歩行)の研究開発を行う。凸接触の定式化と逆動力学の一意性が効いてくる
- 並列サンプリングを多用する強化学習を回す。
mjModel/mjDataの分離とrolloutモジュール、さらに MJX / MuJoCo Warp での GPU 並列が選べる - Apache-2.0 のまま商用プロダクトに組み込みたい。構成要素ごとに別ライセンスが混在する環境への依存を避けたい
- モデルを MJCF という人間可読な形式で資産として保守したい
- 微分可能物理を使って勾配ベースの最適化を行いたい(MJX-JAX が近似微分をサポート)
- 腱・筋モデル・変形体など、剛体だけでは表現できない要素を含む
慎重に検討すべきケース
- フォトリアルな描画を伴う合成データ生成が主目的。レンダラを統合する Isaac Lab や Genesis のほうが要件に合う可能性がある
- ROS 2 との統合が前提。Gazebo のほうが近道になる(ただし gz-mujoco による併用経路はある)
- 単一シーンを逐次実行するだけで、大量バッチを回さない。MJX の GPU 並列の恩恵が得られず、MJX-JAX では単一シーンで CPU 版より最大 10 倍遅くなり得る
- 既存モデルに腱の側点が含まれる、あるいは RK4 積分器とボール / フリー関節を併用している。4.0 の破壊的変更で挙動が変わる可能性がある
- モデルベースの設計・検証が中心。Drake のツールキットのほうが目的に近い
導入前に確認しておく項目
- Python のバージョンが 3.11 以上か
- MJX を使う予定がある場合、必要な関節タイプ・ソルバ・積分器・腱・flex が MJX-JAX / MJX-Warp のカバレッジに入っているか。自動微分が必要なら MJX-JAX 一択になる
- 既存環境から 4.0 へ上げる場合、pip のアップグレード手順(
pip uninstallを先に行うか--force-reinstall --no-depsを使う)を CI / Dockerfile に反映できているか - ヘッドレス運用なら
mujoco-core単独での導入を検討したか - モデルの情報源を MJCF / MJZ に置き、MJB をコミット対象にしない運用になっているか
- ドキュメント参照時に、4.0 系の最新情報は
latest側を見る前提を共有できているか - ライセンス審査で、コード(Apache-2.0)とドキュメント資産(CC BY 4.0)を分けて確認したか
まとめ
MuJoCo が選ばれている理由は、4 つの層に整理できます。
設計 では、一般化座標による関節拘束の構造的な保証と、接触をソフトかつ凸な最適化問題として解く定式化を組み合わせています。逆動力学が一意に定まる性質は、模倣学習やシステム同定を含むパイプラインで効いてきます。
運用 では、mjModel と mjData の分離によって初期化後のメモリ確保が発生せず、1 つのモデルを複数のデータで共有する並列サンプリングが自然に書けます。モデルは MJCF という人間可読な XML で記述し、mjSpec から手続き的に生成・合成することもできます。
スケール では、MJX が 2 つの実装を提供しています。微分可能性や TPU が必要なら MJX-JAX、NVIDIA GPU で機能カバレッジを重視するなら MJX-Warp、という分岐です。ただし「GPU なら速い」という単純な話ではなく、バッチ数と接触数で評価する必要があります。
継続性 では、月次リリースの方針と実際のリリース履歴が一致しており、2026 年 11 月に 4.0.0 / 4.0.1 が出ています。アーカイブされておらずフォークでもない上流リポジトリとして、能動的に開発が続いています。一方で 4.0 には sidesite のセマンティクス変更と RK4 の精度変更という破壊的変更が含まれるため、既存モデルを持ち込む場合は移行確認が必要です。
選定の実務としては、まず「自分のタスクで接触がどれだけ支配的か」「何並列で回すか」「ROS 連携とフォトリアル描画が要件に入るか」の 3 点を確定させることをおすすめします。この 3 点が決まれば、MuJoCo と Isaac Lab・Gazebo・Drake のどれを見るべきかは自然に絞れます。そのうえで、公式ドキュメントの Overview で定式化の前提を確認し、Python bindings で導入形態を、MJX のページ で並列化の制約を確認する——という順路が、判断を最短で固める流れになります。
関連情報
シミュレーション環境の構築や、研究開発で得た成果をプロダクトへ実装する工程の設計をご検討中の方は、お問い合わせフォーム からご相談ください。要件の整理段階からご相談いただけます。



