• 盖世汽车产业大数据
  • 采购项目
  • 配套企业库
  • 销量查询
  • 盖世汽车社区
  • 盖世大学堂
  • 盖亚系统
  • 具身智能
  • 汽车出海新书发布
  • 2026具身智能核心硬件与关键零部件创新研讨会
  • 造车2.0新书发布
  • 2026第六届汽车AI智能底盘大会
  • 2026第七届新一代动力技术创新峰会
当前位置:首页 > 新技术 > 正文

密歇根大学工程学院开发出新型神经网络组件PRISM 帮助机器人实现更出色的移动表现

盖世汽车 刘丽婷 2026-11-16 14:35:18
文章标签: 前瞻技术 具身智能
主营产品制动片、制动转子、减振器、悬架臂、转向部件、发动机悬置、滤清器、照明部件

盖世汽车讯 据外媒报道,密歇根大学工程学院(University of Michigan Engineering)开发出一种新型神经网络组件,挑战了机器人学习领域中一个常见的假设:即用于图像识别的通用神经网络同样适用于控制物理运动。

密歇根大学工程学院开发出新型神经网络组件PRISM 帮助机器人实现更出色的移动表现

在图像分类任务中,神经网络将图像映射为标签,但并不会改变图像本身。而在机器人运动控制过程中,各种动作(例如人形机器人移动肢体)会改变机器人的物理状态,进而影响传感器后续所观测到的数据。

机器人的运动及其目标涉及物理变量之间的乘法关系。例如,作用于某个关节的力,取决于其他关节的位置和速度;而机械功率、接触作用等物理量,本质上都是力与运动的乘积。

然而,机器人领域中常用的传统神经网络(即“多层感知机”,简称 MLP)并不会显式地对变量进行乘法运算。相反,它们通过更简单的运算间接地学习这些交互关系,这会消耗网络容量。

这项研究提出了一种名为 PRISM(全称为“用于交互结构化运动控制的多项式表征(Polynomial Representations for Interaction-Structured Motor Control)”)的新组件。它能够学习传感器观测值、过往动作以及任务指令(包括关节位置、速度和期望行走速度等)之间的乘法交互关系。这意味着无需再预先设定物理方程,也无需手动挑选需要进行乘法运算的变量。

“关于物理交互的许多有用线索,其实已经蕴含在机器人的观测数据中——即通过关节位置和速度等信号的组合所呈现出来。PRISM 为控制器提供了一种简洁的方式,使其能够学习并利用这些信号组合,”密歇根大学计算机科学与工程系博士生、该研究的第一作者 Seung Hyun Lee 说道。

由于 PRISM 仅涉及对机器人状态及指令输入进行初步处理,因此它可以被整合进现有的机器人学习系统中,且无需改变这些系统原有的训练目标、感知需求或控制器。

无需扩大网络规模即可实现更佳性能

本文涉及

Autodata企业洞察与产业数据
  • MLP

    供应商

    所在地区 · 泰国/沙没沙空MLP

    主营产品制动片、制动转子、减振器、悬架臂、转向部件、发动机悬置、滤清器、照明部件



本文共计1000字开通高级账号后继续阅读

登录后获取已开通的账号权益

本文共计1000字开通高级账号后继续阅读

您未开通,请开通后阅读

*特别声明:本文为技术类文章,禁止转载或大篇幅摘录!违规转载,法律必究。

本文地址:https://auto.gasgoo.com/news/202611/16I70478114C409.shtml

 
0

好文章,需要你的鼓励

微信扫一扫分享该文章