首页 >> 车头条 >

密歇根大学工程学院推出 PRISM 神经网络组件,显著提升机器人移动与操控稳定性

2026-11-16 15:45:12 来源:网易 用户:季伊姣 

密歇根大学工程学院团队研发了名为 PRISM 的神经网络组件,全称 Polynomial Representations for Interaction-Structured Motor Control,它不需要把整个神经网络做大,只替换原有 MLP 网络的首层模块,就能显式学习传感器数据之间的物理相乘关系,解决传统多层感知器只能间接学习力、速度、接触摩擦等物理交互的短板,在人形机器人行走、机械臂抓取测试里,机器人抗干扰、防摔倒、故障恢复能力明显变强,就算摩擦、自重、负载发生变化,不重新训练也能维持不错表现,还可以直接嵌入现有的强化学习、模仿学习框架,不用改动底层控制器和传感硬件,简单来说,PRISM 靠轻量化的结构改进,让机器人对物理交互理解更强,移动表现更稳、环境适应性更好。

PRISM 核心信息清单

项目详情
全称Polynomial Representations for Interaction-Structured Motor Control
研发单位密歇根大学工程学院
定位即插即用神经网络输入模块,替代 MLP 首层
核心原理显式建模传感器变量之间的多项式交互关系
人形行走仿真结果常规 MLP 成功率 51%,搭载 PRISM 后提升至 92.5%
故障恢复测试常规策略 40.9%,PRISM 提升至 52.3%
硬件特点不需要额外力传感器、触觉传感器
适用场景人形机器人移动、接触式抓取操控
发布场合2026 机器人学习会议 CoRL

【相关 FAQ】

问题 1:密歇根大学工程学院开发的 PRISM 神经网络组件,为什么能改善机器人移动表现?

回答 1:密歇根大学工程学院开发的 PRISM 神经网络组件,专门显式处理关节速度、接触力这类物理变量的相乘交互关系,传统 MLP 只能隐性学习,消耗算力还容易在环境变化时失效,PRISM 对物理交互建模更贴合,所以机器人行走、移动稳定性更强。

问题 2:PRISM 神经网络组件是不是需要换掉机器人整套控制系统?

回答 2:PRISM 神经网络组件属于即插即用模块,只替换 MLP 第一层,兼容现有的强化学习、模仿学习方案,不需要改动机器人底层控制器、传感器配置,接入成本很低。

问题 3:搭载 PRISM 神经网络组件的机器人,环境变了之后还要重新训练吗?

回答 3:搭载 PRISM 神经网络组件的机器人,在摩擦系数、自重、负载出现变化的场景下,不需要重新训练,依然可以维持优于传统网络的移动和操控效果。

【参考资料】

[2026-11-11](PRISM: A neural network component for better robotic motor control)密歇根大学 EECS 官网

[2026-11-11](Michigan’s PRISM Gives Robot Brains a Physics-Aware Input Layer)Innovation Essence

[2026-11-10](PRISM: Polynomial Representations for Interaction-Structured Motor Control)arXiv

【免责声明】

本内容仅整理密歇根大学 PRISM 研究公开资讯,相关测试数据来自仿真与实验室样机实验,距离商业化落地还有距离,不构成机器人采购、项目落地建议。

 
最新文章