5D Library › 具身认知、伯恩斯坦自由度问题与运动协同的控制理论 · English
第一章 伯恩斯坦问题:冗余、丰裕与「没有重复的重复」
一个问题的来历
伯恩斯坦(1896—1966)从 1920 年代起用摄影方法记录工人、运动员与儿童的动作,研究动作怎样被组织起来。他的论文大多用俄文发表,英语世界主要通过 1967 年出版的英译合集《动作的协调与调节》了解他的工作 (Bernstein 1967)。这本书里最常被引用的是他对「协调」的定义:协调是掌握运动器官多余自由度的过程,也就是把它变成一个可控制的系统(据通行的英文引文转述,本书未核对原书页码)。
所谓「多余」,是相对于任务而言的。人的手臂从肩到腕约有 7 个关节自由度:肩 3 个、肘 1 个、前臂旋转 1 个、腕 2 个。如果任务只是把指尖放到空间中某一点,需要确定的只有 3 个坐标,剩下 4 个自由度可以任意取值;如果还要求手的朝向(共 6 个坐标),仍然多出 1 个。再往下一层,每个关节由好几块肌肉牵拉,同一个关节力矩可以由不同的肌肉组合产生;再往下,每块肌肉又由许多运动单位组成。图维在 1990 年的综述中把这个问题概括为:如果神经系统要逐一指定每个自由度的值,控制问题的规模会大到难以想象,所以协调必须以某种方式减少需要独立控制的量 (Turvey 1990)。
推导
自由度的简单计数。 设关节空间的维数为 ,任务变量的维数为 ()。在一个给定的姿势 附近,任务变量 的线性化为 ,其中 是 的雅可比矩阵。如果 满秩,满足 的关节变化构成一个 维的零空间:沿着这些方向改变关节角,任务变量(一阶近似下)不变。对手臂与指尖位置,;对手的位置与朝向,。
冗余还是丰裕
伯恩斯坦把这个问题表述为「克服」或「掌握」多余的自由度,后来的文献常称之为运动冗余问题。这种说法隐含着一个判断:多出来的自由度是麻烦,神经系统要设法消除它们,例如把几个关节「锁」在一起,或者用某种代价函数挑出唯一的解。
格尔方德与拉塔什 1998 年提出了另一种表述,称为丰裕原则 (Gelfand and Latash 1998)。拉塔什 2012 年在一篇题为《运动丰裕(不是冗余)之福(不是问题)》的短评中综述了支持这种表述的研究,认为问题本身的提法有误:神经系统并不消除多余的自由度,而是利用它们,让许多组关节或肌肉的组合都能完成任务,从而稳定重要的变量、应对扰动,并同时完成几个任务 (Latash 2012)。
两种表述的区别不在于对解剖结构的描述(多余的自由度确实存在),而在于对神经系统做什么的假设。按冗余的表述,我们应当在数据里看到每次动作的关节组合大致相同(问题被消除了);按丰裕的表述,我们应当看到关节组合每次都不同,但这些不同彼此配合,使任务变量保持稳定。第二章的非受控流形分析就是为了区分这两种情形而设计的。需要说明的是,「丰裕」是一种理论表述,不是一个可以测出数值的「丰裕度」;可以测量的是变异在不同方向上的分布。
一条解曲线
下面用一个最简单的例子把这个问题具体化:一个在平面内运动的三连杆手臂(肩、肘、腕三个关节),任务是把指尖放到平面上的一点。这里 、,多出 1 个自由度,所以能到达同一点的关节组合构成一条曲线。
推导
程序先在标称姿势(肩 40°、肘 70°、腕 30°)处计算雅可比矩阵的零空间方向,再把末节的朝向角从 −180° 扫到 180°,对每个朝向角解出前两节的关节角,保留落在关节活动范围(假设值)之内的解。第二部分模拟 200 次动作:每次换一个解(末节朝向角的标准差为 8°),再加上每个关节 0.5° 的独立噪声;作为对照,让同样大小的关节变异彼此独立,看指尖的散布。
# Bernstein's problem in miniature: a planar three-link arm (shoulder, elbow, wrist;
# lengths 0.30, 0.28, 0.18 m) must put its fingertip on a point. 3 joints, 2 task
# coordinates: one redundant degree of freedom. Part 1 traces the whole set of joint
# configurations that reach the same point; part 2 compares "repetition without
# repetition" (a new solution every trial) with rigid repetition of one solution.
import math, random
L = (0.30, 0.28, 0.18)
LIMITS = ((-30, 150), (0, 150), (-60, 90)) # joint ranges, degrees (assumed)
def tip(q): # q in radians, relative angles
a = x = y = 0.0
for li, qi in zip(L, q):
a += qi; x += li * math.cos(a); y += li * math.sin(a)
return x, y
def jacobian(q):
a, cum = 0.0, []
for qi in q:
a += qi; cum.append(a)
return [[-sum(L[k] * math.sin(cum[k]) for k in range(j, 3)) for j in range(3)],
[sum(L[k] * math.cos(cum[k]) for k in range(j, 3)) for j in range(3)]]
def ik(target, phi): # end-link orientation phi fixed -> two-link problem
wx = target[0] - L[2] * math.cos(phi); wy = target[1] - L[2] * math.sin(phi)
c2 = (wx * wx + wy * wy - L[0] ** 2 - L[1] ** 2) / (2 * L[0] * L[1])
if abs(c2) > 1:
return None
q2 = math.acos(c2) # elbow-flexed branch
q1 = math.atan2(wy, wx) - math.atan2(L[1] * math.sin(q2), L[0] + L[1] * math.cos(q2))
return q1, q2, phi - q1 - q2
def ok(q):
return all(lo <= math.degrees(v) <= hi for v, (lo, hi) in zip(q, LIMITS))
def sd(v):
m = sum(v) / len(v)
return math.sqrt(sum((x - m) ** 2 for x in v) / (len(v) - 1))
if __name__ == "__main__":
q0 = tuple(math.radians(d) for d in (40, 70, 30)); T = tip(q0)
J = jacobian(q0)
n = [J[0][1] * J[1][2] - J[0][2] * J[1][1], J[0][2] * J[1][0] - J[0][0] * J[1][2],
J[0][0] * J[1][1] - J[0][1] * J[1][0]] # cross product: null direction
s = math.sqrt(sum(v * v for v in n)); n = [v / s for v in n]
print(f"target ({T[0]:.3f}, {T[1]:.3f}) m; unit null-space direction of J at the"
f" nominal posture:\n ({n[0]:+.3f}, {n[1]:+.3f}, {n[2]:+.3f})"
" (shoulder, elbow, wrist)")
sols = [q for k in range(-1800, 1801)
if (q := ik(T, math.radians(k / 10))) and ok(q)]
for j, name in enumerate(("shoulder", "elbow", "wrist")):
v = [math.degrees(q[j]) for q in sols]
print(f" {name:8s} angle over the solution set:"
f" {min(v):6.1f} to {max(v):6.1f} deg")
worst = max(math.dist(tip(q), T) for q in sols)
print(f"{len(sols)} sampled solutions (elbow-flexed branch) within joint limits;"
f" max miss {worst:.1e} m")
rng = random.Random(1967); phi0 = sum(q0)
trials = [] # repetition without repetition
for _ in range(200):
q = ik(T, phi0 + math.radians(rng.gauss(0, 8)))
trials.append([v + math.radians(rng.gauss(0, 0.5)) for v in q])
jsd = [math.degrees(sd([q[j] for q in trials])) for j in range(3)]
tips = [tip(q) for q in trials]
esd = 1000 * math.hypot(sd([p[0] for p in tips]), sd([p[1] for p in tips]))
print("200 trials, a new solution each time (end-link SD 8 deg + 0.5 deg noise):")
print(f" joint SDs {jsd[0]:.1f}, {jsd[1]:.1f}, {jsd[2]:.1f} deg;"
f" fingertip SD {esd:.1f} mm")
tot = math.sqrt(sum(v * v for v in jsd) / 3)
rigid = [tip([v + math.radians(rng.gauss(0, tot)) for v in q0]) for _ in range(200)]
rsd = 1000 * math.hypot(sd([p[0] for p in rigid]), sd([p[1] for p in rigid]))
print(f"same total joint variance, independent joints ({tot:.1f} deg each):"
f" fingertip SD {rsd:.1f} mm")
print("degrees of freedom: arm 7 (shoulder 3, elbow 1, forearm 1, wrist 2);")
print(" fingertip point (3) leaves 4 spare; full hand pose (6) leaves 1 spare")
# target (-0.004, 0.572) m; unit null-space direction of J at the nominal posture:
# (+0.162, -0.504, +0.849) (shoulder, elbow, wrist)
# shoulder angle over the solution set: 37.1 to 63.4 deg
# elbow angle over the solution set: 18.4 to 95.1 deg
# wrist angle over the solution set: -59.9 to 89.8 deg
# 885 sampled solutions (elbow-flexed branch) within joint limits; max miss 2.8e-16 m
# 200 trials, a new solution each time (end-link SD 8 deg + 0.5 deg noise):
# joint SDs 2.8, 8.3, 14.1 deg; fingertip SD 6.5 mm
# same total joint variance, independent joints (9.6 deg each): fingertip SD 121.4 mm
# degrees of freedom: arm 7 (shoulder 3, elbow 1, forearm 1, wrist 2);
# fingertip point (3) leaves 4 spare; full hand pose (6) leaves 1 spare在标称姿势处,零空间方向约为(肩 +0.16,肘 −0.50,腕 +0.85):腕屈、肘伸、肩稍屈的组合几乎不移动指尖。在肘屈的一支上,885 个采样解都满足关节范围,指尖误差在数值精度之内( 米量级);在这些解中,肩角在 37.1° 到 63.4° 之间变化,肘角在 18.4° 到 95.1° 之间,腕角几乎跨越了整个假设的活动范围(−59.9° 到 89.8°)。也就是说,仅仅一个多余的自由度,就让同一个指尖位置对应着差别很大的姿势(图一左)。
没有重复的重复
伯恩斯坦的另一句名言是「没有重复的重复」。按常见的引文(二手资料引作 1967 年英文版第 134 页),他说的是练习:恰当的练习不是一次又一次重复同一种解决运动问题的手段,而是一次又一次地解决这个问题,每次用的方法都在改变、在改进 (Bernstein 1967)。这首先是关于学习过程的论断,其次才是关于动作变异的描述。
上面程序的第二部分把后一层意思写成了一个运动学模型(这是作者的示意,不是伯恩斯坦的模型)。如果每次动作都换一个解,但所有的解都落在解曲线附近,那么关节角的标准差可以很大(肩 2.8°、肘 8.3°、腕 14.1°),而指尖的标准差只有 6.5 毫米。如果同样大小的关节变异(每个关节约 9.6°)彼此独立,指尖的标准差是 121.4 毫米,大了将近 19 倍。关节变异本身并不说明控制好坏;要看变异落在什么方向上。
注
这个模型没有回答什么。 程序是假定变异落在解曲线附近,然后算出结果;它没有说明神经系统怎样做到这一点。可能的回答至少有三种:事先选好一个解并锁住其余的自由度(第六章的「冻结」);把关节组织成少数几个固定的组合(第五章的「协同」);或者在动作中持续纠正那些影响任务的偏差、放任其余的偏差(第二章的「最小干预」)。三种回答对数据作出不同的预测,这正是后面几章要检验的。
分析变异的几种方法
要从数据里区分这些回答,需要把关节空间的变异按「影响任务」与「不影响任务」分开。第二章介绍的非受控流形分析是最常用的方法:在每个时刻,把各次试次的关节偏差投影到零空间(不影响任务)与其正交补(影响任务)上,比较两者每个自由度的方差 (Scholz and Schöner 1999)。另一种方法是缪勒与斯特纳德提出的「容差—噪声—协变」分解,它直接问:任务结果的变异中,有多少来自选择了容差大的区域,有多少来自噪声大小,有多少来自各变量之间的协变 (Müller and Sternad 2004)。两种方法回答的问题不完全一样:前者关注关节空间中的方差结构,后者关注这种结构对任务结果的贡献。第二章还会看到,前者的结论依赖于坐标的选择。
假说 · 尚未验证 · 变异是练习的原料
作者的诠释:在丰裕的表述下,零空间中的变异不只是「被容忍的噪声」,也可能是学习的原料——练习者在不影响当前任务的方向上不断尝试不同的解,从中找到在新条件下更好用的解;这是对「没有重复的重复」的一种读法。如果这一诠释成立,那么在练习中人为压缩零空间变异(例如要求关节角保持固定)应当损害对新任务条件的迁移,而不只是改变协同指数。能推翻它的结果: 在预注册的随机对照试验中(例如第八章的方案),压缩零空间变异的练习条件与对照条件在迁移任务上的准确度没有差别,或者迁移更好。
本章小结
伯恩斯坦把动作的协调定义为掌握多余自由度的过程。在一个平面三连杆手臂中,一个多余的自由度就让同一个指尖位置对应着一整条解曲线,肘角可以在 18° 到 95° 之间变化。「冗余」的表述把多余自由度看作要消除的麻烦,「丰裕」的表述把它看作稳定任务的资源;后者是对问题的重新表述,不是一个可测量的量。「没有重复的重复」首先是关于练习的论断;把它写成运动学模型时,关键在于变异的方向:落在解曲线上的关节变异(标准差最大 14.1°)只让指尖散布 6.5 毫米,同样大小的独立变异则让指尖散布 121.4 毫米。下一章介绍怎样从数据里测出这种方向性,以及什么样的控制器会产生它。
参考文献
Fan, Y. (2026). Embodied Cognition, Bernstein's Degrees-of-Freedom Problem and the Control Theory of Motor Synergies: From the Uncontrolled Manifold Hypothesis and Internal Forward Models to Fitts's Law, Read Beside Classical Chinese Thought on Skill and the Way [具身认知、伯恩斯坦自由度问题与运动协同的控制理论] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23828057 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).