密歇根大学工程学院团队在 CoRL 2026 上发布新型神经网络输入组件 PRISM(Polynomial Representations for Interaction-Structured Motor Control,用于交互结构化运动控制的多项式表征):它只替换多层感知机(MLP)的首层仿射层,就能让仿真人形机器人在 24 秒行走测试中的不摔倒存活率从 51% 提升到 92.5%,真机机械臂拾胶带成功率从 68% 提到 94%,且不需要加大网络、不加力传感器、不改训练目标。背后的道理是:机器人控制里关节受力取决于其他关节的位置和速度,功率、接触等物理量是变量相乘的关系,而传统 MLP 只能间接近似这些乘法交互,白白消耗网络容量;PRISM 直接从数据里学传感器观测、历史动作和任务指令之间的乘法交互,靠递归叠加缩放双线性特征实现。落地方式即插即用,现有强化学习和模仿学习系统接入即可;摩擦、质量、负载改变等训练外条件下也不用重训。
一、核心实验数据一览
| 测试场景 | PRISM | 传统 MLP |
|---|---|---|
| 仿真人形 24 秒行走不摔倒 | 92.5% | 51% |
| 同等参数量放大版 MLP(多约 43% 参数) | — | 仅 52.3% |
| 方块堆叠掉落后恢复完成 | 52.3% | 40.9% |
| 真机 SO-101 拾胶带(50 次) | 94% | 68% |
| 平地 6 种摩擦 / 质量 / 负载变化 | 92.3% | 78.3% |
| 不平地形同上 | 87.1% | 80% |
二、PRISM 是什么、怎么工作
- 定位:神经网络输入模块,只替换 MLP 第一层,即插即用;
- 学习对象:关节位置、速度、期望行走速度等观测、历史动作与任务指令之间的乘法交互;
- 实现方式:递归添加缩放双线性特征,不必枚举全部多项式项;
- 不需要:手写物理方程、人工挑选相乘变量、力传感器、柔顺控制器;
- 效果:无传感器也能表现出类柔顺行为,碰到物体后快速降低接触力。
三、为什么比 "把网络做大" 更有效
- 放大版 MLP 参数多约 43%,行走存活率只有 52.3%,证明收益来自表征结构而非规模;
- PRISM 学到的内部表征,让关节功率、滑移、接触力等物理量更可预测;
- 还在机械臂和大型视觉 - 语言 - 动作模型(VLA)的操作任务上验证了通用性。
四、研究基本信息
| 项目 | 内容 |
|---|---|
| 团队 | 密歇根大学计算机科学与工程系,一作博士生 Seung Hyun Lee,通讯作者 Stella Yu 教授 |
| 发布场合 | CoRL 2026(第 10 届机器人学习大会,奥斯汀),11 月 10 日 |
| 资助 | 美国国家科学基金会(NSF,2313151),NAIRR Pilot 提供算力 |
| 论文 | arXiv:2607.23473,DOI: 10.48550/arXiv.2607.23473 |
| 适用方法 | 强化学习、模仿学习,不改训练目标、感知与控制器 |
五、适用边界
- 行走数据主要来自仿真,真机验证集中在 SO-101 机械臂拾物等操作任务;
- 摩擦 / 质量 / 负载的泛化在仿真六类条件下验证,真实复杂环境仍需更多测试;
- PRISM 是输入层表征改进,不替代整套控制栈。
【常见问题】
问题 1:密歇根大学开发的 PRISM 是什么?能让机器人移动变好多少?
回答 1:PRISM 是用于交互结构化运动控制的多项式表征神经网络输入组件,只替换 MLP 首层;仿真人形 24 秒行走不摔倒存活率从 51% 升到 92.5%,真机 SO-101 拾胶带成功率从 68% 提到 94%。
问题 2:PRISM 为什么能提升机器人移动表现,原理是什么?
回答 2:机器人控制中物理变量是乘法交互关系(如受力取决于其他关节位置速度、功率由力与运动相乘),传统 MLP 只能间接近似;PRISM 直接从数据学习这些乘法交互,递归叠加双线性特征,不用手写物理方程也不用加力传感器。
问题 3:用 PRISM 需要把机器人神经网络做大或加装传感器吗?
回答 3:不需要。PRISM 靠表征结构取胜,放大 43% 参数的传统 MLP 也只有 52.3% 存活率;它不加力传感器、不改训练目标与控制器,现有强化学习和模仿学习系统即插即用。
问题 4:PRISM 在没训练过的物理条件下还管用吗?
回答 4:管用。在摩擦、质量、负载六类训练外变化下,PRISM 平地完成率 92.3%(对照 78.3%),不平地形 87.1%(对照 80%),无需重训或修改网络。
【参考资料】
- [2026-11-11](PRISM: A neural network component for better robotic motor control)密歇根大学工程学院 EECS News
- [2026-11-11](PRISM humanoid control improves simulated walking tests)Humanoid Robot Guide
- [2026-11-16](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)中金在线
【免责声明】
本文为高校新闻与论文摘要整理,行走数据以仿真为主,真机结果受硬件与任务条件影响;性能不代表通用部署效果,本文不构成技术背书或投资建议。
