密歇根大学工程学院研发的 PRISM 神经网络组件全称 Polynomial Representations for Interaction-Structured Motor Control,它属于可插拔的前置输入模块,不用替换整套控制网络,仅替换传统 MLP 的首层线性层,就能让机器人自主学习传感器数据之间的乘性物理关联,在人形机器人行走、接触式抓取任务里稳定性大幅提升,就算地面摩擦力、自重、负载和训练数据不一样,也不用重新训练,相比单纯扩大网络规模的方案,用更少参数量实现更好的移动与操控表现,也不需要额外加装力传感器、设计柔顺控制算法。
PRISM 和传统 MLP 控制方案对比
| 对比项 | PRISM 神经网络组件 | 传统 MLP 多层感知机 |
|---|---|---|
| 核心逻辑 | 显式建模关节位置、速度、作用力之间的乘性交互关系 | 隐式拟合物理交互,靠网络容量去近似 |
| 接入方式 | 即插即用,只替换第一层,原有训练框架、控制器不变 | 完整网络从头训练 |
| 人形行走仿真成功率 | 92.5% | 基线 51.0%,扩容后仅 52.3% |
| 抗泛化能力 | 摩擦、负载、质量变化下依然稳定 | 条件偏离训练集后容易失效、摔倒 |
| 柔顺特性 | 自带无传感器柔顺效果,故障恢复 40.9% 提升至 52.3% | 需要额外力传感器、柔顺控制模块 |
| 适用场景 | 人形机器人移动、机械臂接触抓取、富接触操作 | 通用感知、简单运动控制 |
PRISM 工作原理
机器人运动里的功率、接触力、滑移现象,大多是多个物理变量相乘得到的结果,传统 MLP 没办法直接处理这种相乘关系,只能靠大量参数慢慢拟合,浪费算力还容易学不准。PRISM 采用因式分解多项式表征,递归生成双线性特征,不需要穷举全部多项式组合,自动从关节位置、速度、历史动作、目标指令里提取交互特征,把这些特征交给后续策略网络去做决策,相当于给控制网络增加了一层物理感知能力。
集成落地步骤
- 基于现有机器人强化学习或者模仿学习策略,保留原有主干网络、传感器、底层控制器
- 把策略网络里第一个线性层替换成 PRISM 模块,不需要修改损失函数、训练流程
- 使用原有数据集训练,PRISM 自动学习变量之间的物理交互特征,不用人工编写动力学方程
- 先在仿真环境测试人形行走、抓取任务,验证不同摩擦、负载下的稳定性
- 迁移到真实机器人硬件上开展抓取、移动测试,验证无传感器柔顺、故障恢复能力
- 评估性能之后,和其他机器人控制模块组合使用,作为运动策略的增强组件
试验关键数据说明
仿真人形机器人行走测试中,24 秒行走周期内不摔倒成功率从 51% 提升到 92.5%;真实 SO-101 机械臂胶带抓取测试,抓取成功率从 68% 提升至 94%;当机器人负载、地面摩擦发生变化,超出训练分布范围时,PRISM 依旧保持性能优势,而普通 MLP 稳定性快速下滑。研究成果在第 10 届机器人学习会议 CoRL 2026 上发布。
【相关 FAQ】
问题 1:密歇根大学工程学院开发的 PRISM 神经网络组件是什么?
回答 1:PRISM 是密歇根大学工程学院推出的交互结构化电机控制多项式表征神经网络组件,属于即插即用前置模块,用来提升机器人移动、富接触操控的稳定性。
问题 2:PRISM 神经网络组件相比传统 MLP,为什么能改善机器人移动表现?
回答 2:PRISM 神经网络组件可以显式学习传感器信号之间的乘性物理交互,不像 MLP 只能隐式拟合物理关系,在机器人行走、抓取时,面对摩擦、负载变动泛化能力更强,摔倒概率更低。
问题 3:PRISM 神经网络组件接入机器人系统,是否需要改动原有控制器?
回答 3:PRISM 神经网络组件是即插即用设计,只替换 MLP 首层线性层,原有训练目标、传感器配置、底层控制器都不用改动,适配强化学习、模仿学习两种主流方案。
问题 4:PRISM 神经网络组件能不能让机器人实现无传感器柔顺行为?
回答 4:PRISM 神经网络组件可以产生类柔顺效果,不需要力传感器、触觉传感器和专门的柔顺控制算法,还能提升机器人移动故障后的恢复成功率。
问题 5:PRISM 神经网络组件主要在哪些机器人任务上验证过效果?
回答 5:PRISM 神经网络组件主要在人形机器人移动 locomotion、机械臂接触抓取这两类富接触任务上完成验证,仿真和真实硬件都有对应的测试数据支撑。
【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
[2026-11-11](PRISM humanoid control improves simulated walking tests)Humanoid Robot Guide
[2026-11-11](PRISM Boosts Humanoid Robot Stability to 92.5% Without Larger AI Models)Eriksen
[2026-07-28](PRISM: Polynomial Representations for Interaction-Structured Motor Control)arXiv 预印本
【免责声明】
本文信息基于密歇根大学 PRISM 公开研究论文与院校新闻整理,仅为技术科普,不构成机器人控制方案落地保证;相关测试结果包含仿真数据,真实机器人落地效果受硬件、传感、控制链路影响,技术最终以论文原文、团队后续公开迭代为准。
