盖世汽车 刘丽婷2026-11-16
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。

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。
Garcia


全球视野,中国声音,快来体验吧