📌 项目地址：google-deepmind/mujoco | ⭐ 16,282 颗星 | 🔧 C++
先说它是干嘛的
MuJoCo 的全称是 Multi-Joint dynamics with Contact，直译就是“多关节动力学加接触”。名字把定位说得很清楚：专门仿真机器人、人体这类铰接结构和环境的物理交互，追求两件事，快和准。
它由 Google DeepMind 维护，用 C++ 写成，对外暴露的是 C API。这个选择有讲究：运行时仿真模块为了把性能压到极致，直接操作由内置 XML 编译器预先分配好的低层数据结构，不做运行时动态分配。所以它是个给研究者和开发者用的引擎，不是随手 import 一下就跑的脚本库。
如果你做过强化学习，大概率已经间接用过它。Gym/Gymnasium 里那批经典 locomotion 环境（HalfCheetah、Humanoid 等）底层跑的就是 MuJoCo。它早年是收费商业软件，2021 年 DeepMind 收购后开源，现在 GitHub 上有一万六千多 star。
上手成本比你想象的低
很多人一听“C++ 物理引擎”就劝退了。其实官方给了几条门槛极低的入口，我按省事程度排一下。
什么都不装，浏览器里直接玩。 打开 mujoco.org，手机或电脑都能体验。想加载自己的模型，去 live.mujoco.org，这是 MuJoCo Studio 的 WebAssembly 版本，支持查看和拖拽模型。跑在 WASM 里会比原生 C 慢，这点官方自己直说了。
本地跑 viewer。 照着文档里的 Getting Started 指南，下载预编译好的 release，就能在本地跑 MuJoCo Studio，或者经典的 simulate viewer。文档在 mujoco.readthedocs.io。想追新功能的话，“latest” 分支的 changelog 里有下个版本待发布的内容。
Python 用户走 Colab。 官方有一批打开就能跑的 notebook，我觉得这是最值得推荐的一条路：
- 入门教程（tutorial.ipynb）：讲 MuJoCo 基础
- 模型编辑（mjspec.ipynb）：用代码创建和编辑模型，不用手写 XML
- rollout（rollout.ipynb）：多线程
rollout模块的用法 - LQR（LQR.ipynb）：合成线性二次型控制器，让 humanoid 单腿站立，效果很直观
- 最小二乘（least_squares.ipynb）：Python 实现的非线性最小二乘求解器
- MJX：MuJoCo XLA 的使用示例
最后那个 MJX 单独说一句。MuJoCo XLA 把物理仿真搬到 JAX/XLA 上，可以在 GPU 上大规模并行跑仿真。做大规模强化学习训练时，这是关键能力。
几个容易踩的认知坑
只有 C API，没有 C++ API。 普通用户别硬啃 C，直接用官方 Python bindings，或者 Unity 引擎的插件。
模型用 XML 描述。 连杆、关节、执行器、接触参数都写在 MJCF 格式里，编译后进入仿真。不想手写 XML，前面提到的 mjspec 教程演示了怎么用程序生成模型。
它不只是个仿真器。 仿真循环之外，MuJoCo 还暴露了一大堆计算物理量的工具函数。做系统辨识、控制器设计的时候，这些现成的函数能省不少事。
另外它自带可视化：桌面原生窗口和网页浏览器都支持，交互式的。
和同类工具怎么选
- vs PyBullet：同为开源物理引擎。MuJoCo 的软约束凸优化求解器在接触动力学上更平滑稳定，这也是它成为 RL benchmark 首选的原因；PyBullet 的 Python 接口上手更随意。
- vs Isaac Gym / Isaac Lab（NVIDIA）：Isaac 系列吃 GPU 并行，性能极致但绑定 NVIDIA 生态。MuJoCo 原生是 CPU 仿真，靠 MJX 也能拿到 GPU 并行能力，许可更开放。
- vs Gazebo：Gazebo 是完整的机器人仿真平台，带传感器模型和 ROS 集成，适合做系统集成验证。MuJoCo 是纯物理引擎库，更轻更快，适合算法研究。
我的判断
一句话：如果你的工作需要“精确的接触物理加上快速步进”，比如训练机器人控制策略、做生物力学分析、研究 locomotion 强化学习，MuJoCo 值得作为首选底座。反过来，只是给游戏加个碰撞检测的话，用它就是杀鸡用牛刀了。