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
第二章 非受控流形与最小干预原则:只管该管的
把方差分成两部分
上一章的三连杆模型是假定变异落在解曲线附近。要从真实数据中检验这一点,肖尔茨与舍纳 1999 年提出了非受控流形(UCM)的分析方法 (Scholz and Schöner 1999)。思路很直接:先提出一个假设的任务变量(例如质心的水平位置),在每个时刻求出使它保持不变的关节组合,这些组合构成关节空间中的一个流形(线性化后就是雅可比矩阵的零空间);然后把各次试次的关节偏差分成沿流形的部分与垂直于流形的部分,比较两者的大小。如果沿流形的方差明显大于垂直方向的方差,就说明这个任务变量被「稳定」了:关节的变化彼此补偿,使它保持不变。
证据
原始研究。 肖尔茨与舍纳研究的是从椅子上站起来的动作:9 名年轻人(5 女 4 男),在正常、穿限制踝关节的滑雪靴、窄支撑面三种条件下完成,姿势用矢状面内的 8 个节段角描述 (Scholz and Schöner 1999)。他们分别检验了质心、头和手的水平与垂直位置是不是被稳定的变量。结果是,质心在两个方向、所有阶段都被强烈稳定;头的水平位置也被稳定,但程度弱得多(离开座位之前没有);手的水平位置在各阶段都被稳定,垂直位置只在动作约 45% 时被稳定。方差按每个自由度计算,以便比较维数不同的假设。
推导
每个自由度的方差与协同指数。 设关节空间 维、任务变量 维,第 次试次的关节偏差(减去各试次均值)为 , 是投影到 的行空间(ORT, 维)的矩阵, 投影到零空间(UCM, 维)。共 次试次时 后来的研究常用协同指数 ,其中 是每个自由度的总方差 (Latash et al. 2001, 2002)。 有上下界:全部方差在 ORT 中时为 ,全部在 UCM 中时为 。为了做统计检验,可以对它作一个使上下界变为无穷的对数变换(类似费希尔的 变换);本书写出的一般形式为 注意 时 ,只有 时才为零。框架使用的 没有上下界,独立同方差的噪声下为零,本书把它作为一个辅助指标。
拉塔什、肖尔茨与舍纳后来把「协同」定义为一种神经组织:它在一组元素(关节、手指、肌肉)之间分配任务,并使元素的变化彼此协变,以稳定某个表现变量 (Latash et al. 2007)。按这个定义,「协同」不是一组固定的关节组合,而是变异的一种结构; 是它的操作性指标。
指标的三个陷阱
下面的程序用第一章的三连杆手臂(指尖位置,,)检查这些指标。数据有两种:各关节彼此独立、标准差相同的噪声(没有协同);以及额外沿零空间散布的噪声(有协同)。每种数据分别用相对关节角(肩、肘、腕之间的夹角)与绝对节段角(各节与水平线的夹角)计算;最后看每次只有 20 个试次时估计值的散布。
推导
# UCM analysis of the three-link arm of p01 (n = 3 joints, task = fingertip x, y,
# d = 2). Joint deviations from the mean are split into the null space of J (UCM,
# n - d = 1 dimension) and its orthogonal complement (ORT, d = 2). Variances are
# compared PER DEGREE OF FREEDOM. Also: coordinate dependence and sampling error.
import math, random
def matmul(A, B):
return [[sum(a * b for a, b in zip(r, c)) for c in zip(*B)] for r in A]
def inv(M): # Gauss-Jordan, small matrices
n = len(M)
A = [row[:] + [float(i == j) for j in range(n)] for i, row in enumerate(M)]
for c in range(n):
p = max(range(c, n), key=lambda r: abs(A[r][c])); A[c], A[p] = A[p], A[c]
A[c] = [v / A[c][c] for v in A[c]]
for r in range(n):
if r != c:
A[r] = [a - A[r][c] * b for a, b in zip(A[r], A[c])]
return [row[n:] for row in A]
def ucm(dev, J):
"""dev: list of joint-deviation vectors; J: d x n. Returns V_UCM, V_ORT per DOF."""
d, n = len(J), len(J[0]); Jt = [list(c) for c in zip(*J)]
P = matmul(matmul(Jt, inv(matmul(J, Jt))), J) # projector onto ORT (row space)
m = [sum(v[i] for v in dev) / len(dev) for i in range(n)]
so = su = 0.0
for v in dev:
x = [a - b for a, b in zip(v, m)]
po = [sum(P[i][j] * x[j] for j in range(n)) for i in range(n)]
so += sum(t * t for t in po); su += sum((a - b) ** 2 for a, b in zip(x, po))
k = len(dev) - 1
return su / k / (n - d), so / k / d
def delta_v(vu, vo, n, d):
vt = ((n - d) * vu + d * vo) / n
dv = (vu - vo) / vt # bounded by -n/d and n/(n-d)
return dv, 0.5 * math.log((dv + n / d) / (n / (n - d) - dv))
L = (0.30, 0.28, 0.18); Q0 = [math.radians(d) for d in (40, 70, 30)]
def jac(q):
c = [sum(q[:k + 1]) for k in range(3)]
return [[-sum(L[k] * math.sin(c[k]) for k in range(j, 3)) for j in range(3)],
[sum(L[k] * math.cos(c[k]) for k in range(j, 3)) for j in range(3)]]
def sample(rng, kind, trials, s=math.radians(2.0)):
J = jac(Q0); P = matmul(matmul([list(c) for c in zip(*J)],
inv(matmul(J, [list(c) for c in zip(*J)]))), J)
nul = [1 - P[0][0], -P[1][0], -P[2][0]]; z = math.sqrt(sum(v * v for v in nul))
nul = [v / z for v in nul]
out = []
for _ in range(trials):
e = [rng.gauss(0, s) for _ in range(3)]
if kind == "synergy": # extra spread along the UCM
g = rng.gauss(0, 3 * s); e = [a * 0.5 + g * b for a, b in zip(e, nul)]
out.append(e)
return out
def report(name, dev, J, n=3, d=2):
vu, vo = ucm(dev, J); dv, dz = delta_v(vu, vo, n, d)
print(f" {name:37s} ln(Vucm/Vort) {math.log(vu / vo):+.2f} dV {dv:+.2f}"
f" dVz {dz:+.2f}")
def absolute(dev, T):
return [[sum(T[i][j] * x[j] for j in range(3)) for i in range(3)] for x in dev]
if __name__ == "__main__":
rng = random.Random(1999); J = jac(Q0)
T = [[1, 0, 0], [1, 1, 0], [1, 1, 1]] # absolute = T x relative angles
Jabs = matmul(J, inv(T))
print("50,000 trials each (essentially the population values):")
for kind in ("independent", "synergy"):
dev = sample(rng, kind, 50000)
report(f"{kind}, relative joint angles", dev, J)
report(f"{kind}, absolute segment angles", absolute(dev, T), Jabs)
print("bounds of dV for n = 3, d = 2: -1.5 (all ORT) to +3.0 (all UCM)")
print("sampling: 20 trials per estimate, 4,000 repetitions")
for kind in ("independent", "synergy"):
est = []
for _ in range(4000):
vu, vo = ucm(sample(rng, kind, 20), J); est.append(math.log(vu / vo))
est.sort()
print(f" {kind:11s} ln ratio, 2.5/50/97.5th pct: {est[100]:+.2f} /"
f" {est[2000]:+.2f} / {est[3900]:+.2f}; share > +0.5: "
f"{sum(e > 0.5 for e in est) / 4000:.3f}")
# 50,000 trials each (essentially the population values):
# independent, relative joint angles ln(Vucm/Vort) +0.00 dV +0.00 dVz -0.35
# independent, absolute segment angles ln(Vucm/Vort) -0.94 dV -0.76 dVz -0.82
# synergy, relative joint angles ln(Vucm/Vort) +3.60 dV +2.77 dVz +1.45
# synergy, absolute segment angles ln(Vucm/Vort) +1.80 dV +1.89 dVz +0.56
# bounds of dV for n = 3, d = 2: -1.5 (all ORT) to +3.0 (all UCM)
# sampling: 20 trials per estimate, 4,000 repetitions
# independent ln ratio, 2.5/50/97.5th pct: -0.82 / -0.01 / +0.74; share > +0.5: 0.094
# synergy ln ratio, 2.5/50/97.5th pct: +2.77 / +3.60 / +4.37; share > +0.5: 1.000第一个陷阱是坐标依赖。同一组「没有协同」的数据,用相对关节角计算时 ,用绝对节段角计算时为 −0.94, 从 0.00 变为 −0.76;「有协同」的数据从 +3.60 变为 +1.80。原因是:在一种坐标中各向同性的噪声,换到另一种坐标中就不再各向同性,而 UCM 分析把「各向同性」当作没有协同的基准。斯特纳德等人 2010 年系统讨论了这个问题,指出用协方差矩阵的各向异性来推断神经控制,结论对坐标的选择高度敏感,除非事先知道神经系统使用哪种坐标 (Sternad et al. 2010)。
第二个陷阱是变换后的零点。三连杆的例子中 、,所以 时 ,不是零。直接拿 与零比较,会把「没有协同」误读为「负协同」。
第三个陷阱是抽样误差。每次只有 20 个试次时,即使数据完全没有协同, 比值的 95% 范围也宽达 −0.82 到 +0.74,有 9.4% 的估计超过 +0.5。单个参与者、单个时刻的「协同」需要置信区间与零模型对照,第八章的核查表会把这一步写成必做的检查。
证据
为什么坐标很重要。 斯特纳德、帕克、缪勒与霍根在《公共科学图书馆·计算生物学》上指出两个问题:用协方差矩阵的各向异性作为「偏好性变异」的证据,以及用正交性判断变异是否影响任务表现;两者都对坐标的选择高度敏感。他们提出一种把执行变异经由函数映射到任务结果的两级分析,对坐标的依赖要小得多 (Sternad et al. 2010)。缪勒与斯特纳德的「容差—噪声—协变」分解属于这类方法 (Müller and Sternad 2004)。
最优反馈控制与最小干预原则
UCM 分析只描述变异的结构,不解释它从何而来。托多罗夫与乔丹 2002 年在《自然·神经科学》上提出了一个解释:如果神经系统像一个最优反馈控制器那样工作——在每个时刻根据对当前状态的估计计算指令,使任务误差与努力的总代价最小——那么它自然会只纠正妨碍任务的偏差,放任其余的偏差 (Todorov and Jordan 2002)。他们称之为最小干预原则:对平均轨迹的偏差,只有在妨碍任务表现时才被纠正。纠正任务无关的偏差既费力,又会(在信号依赖噪声下)引入新的噪声,所以不纠正反而更好。托多罗夫 2004 年的综述把这一思路与其他最优性原则放在一起讨论 (Todorov 2004),迪德里希森、沙德梅尔与伊夫里 2010 年则总结了支持与质疑这一框架的证据 (Diedrichsen et al. 2010)。
证据
肌肉层面的证据。 巴列罗—奎瓦斯、文卡德桑与托多罗夫 2009 年分析了手指按压指尖力任务中多块肌肉的激活,发现肌肉激活的变异是有结构的:不影响指尖力的方向上变异较大,影响指尖力的方向上变异较小,与最小干预原则的预测一致 (Valero-Cuevas et al. 2009)。
下面的程序用托多罗夫与乔丹讨论过的「求和」任务演示这一原则。两个一维的效应器(各为 1 千克的质量,力经过时间常数 40 毫秒的一阶滤波)从 0 出发,要在 0.5 秒时使两者位置之和等于 0.20 米并停下;每 10 毫秒的指令上叠加标准差 1 牛的加性噪声。最优反馈控制器(OFC)只为位置之和付代价;作为对照的「伺服」控制器为每个效应器各自到达 0.10 米付代价,相当于事先给每个关节规定好目标。
推导
线性—二次调节器。 状态 包括两个效应器的位置、速度、力与一个常数 1(用来表示目标),动力学 。终点代价 加上每步的努力 ;从 出发向后递推 得到反馈律 。程序用协方差的精确传播(而不是模拟)计算任务方差、两效应器之差的方差与纠正努力,用二分法找到与 OFC 纠正努力相同的伺服权重,再用 2,000 次模拟核对;最后在 0.15 秒时把效应器 1 推开 10 毫米,看两种控制器怎样反应。
推导
# Optimal feedback control (finite-horizon LQR with additive motor noise) for the
# redundant "sum" task of Todorov & Jordan: two 1-D effectors (mass 1 kg, first-order
# force filter, tau = 40 ms) must bring p1 + p2 to 0.20 m and stop at T = 0.5 s.
# OFC pays only for the task sum; a "servo" controller pays for each effector reaching
# its own planned position (0.10 m). dt = 10 ms. All parameters are illustrative.
import math, random
DT, TAU, N, TARGET = 0.01, 0.04, 50, 0.20
NOISE = 1.0 # SD of additive motor noise per step, N
def mm(A, B):
return [[sum(a * b for a, b in zip(r, c)) for c in zip(*B)] for r in A]
def tr(A):
return [list(c) for c in zip(*A)]
def inv(M):
n = len(M)
A = [row[:] + [float(i == j) for j in range(n)] for i, row in enumerate(M)]
for c in range(n):
p = max(range(c, n), key=lambda r: abs(A[r][c])); A[c], A[p] = A[p], A[c]
A[c] = [v / A[c][c] for v in A[c]]
for r in range(n):
if r != c:
A[r] = [a - A[r][c] * b for a, b in zip(A[r], A[c])]
return [row[n:] for row in A]
# state: p1 v1 f1 p2 v2 f2 1 (the constant 1 carries the target)
A = [[0.0] * 7 for _ in range(7)]; B = [[0.0] * 2 for _ in range(7)]
for k in (0, 3):
A[k][k] = 1; A[k][k + 1] = DT; A[k + 1][k + 1] = 1; A[k + 1][k + 2] = DT
A[k + 2][k + 2] = 1 - DT / TAU; B[k + 2][k // 3] = DT / TAU
A[6][6] = 1
def outer(c, w):
return [[w * a * b for b in c] for a in c]
def add(*Ms):
return [[sum(v) for v in zip(*rows)] for rows in zip(*Ms)]
def final_cost(kind, w):
stop = add(*[outer([float(i == j) for j in range(7)], wt)
for i, wt in ((1, 0.05), (4, 0.05), (2, 1e-4), (5, 1e-4))])
if kind == "ofc": # (p1 + p2 - target)^2
return add(stop, outer([1, 0, 0, 1, 0, 0, -TARGET], w))
return add(stop, outer([1, 0, 0, 0, 0, 0, -TARGET / 2], w),
outer([0, 0, 0, 1, 0, 0, -TARGET / 2], w))
def gains(Q, r=1e-6):
S, L = Q, []
for _ in range(N):
K = mm(inv(add(mm(mm(tr(B), S), B), [[r, 0], [0, r]])), mm(mm(tr(B), S), A))
S = mm(mm(tr(A), S), add(A, [[-v for v in row] for row in mm(B, K)]))
L.append(K)
return L[::-1]
def run(L, rng, kick=None):
x = [0.0] * 6 + [1.0]; effort = 0.0
for t in range(N):
if kick and t == kick[0]:
x[0] += kick[1]
u = [-sum(k * v for k, v in zip(row, x)) for row in L[t]]
effort += sum(v * v for v in u) * DT
if rng:
u = [v + rng.gauss(0, NOISE) for v in u]
x = [sum(a * v for a, v in zip(row, x)) + sum(b * w for b, w in zip(brow, u))
for row, brow in zip(A, B)]
return x[0], x[3], effort
def exact(L):
"""Propagate the state covariance exactly: task SD, UCM SD, ln ratio, effort."""
S = [[0.0] * 7 for _ in range(7)]; effort = 0.0
for t in range(N):
effort += sum(sum(a * b for a, b in zip(r, c)) for r, c in
zip(mm(L[t], S), L[t])) * DT # E[u'u] about the mean
M = add(A, [[-v for v in r] for r in mm(B, L[t])])
S = add(mm(mm(M, S), tr(M)), [[NOISE ** 2 * sum(b1 * b2 for b1, b2 in
zip(B[i], B[j])) for j in range(7)] for i in range(7)])
vo = (S[0][0] + S[3][3] + 2 * S[0][3]) / 2; vu = (S[0][0] + S[3][3] - 2 * S[0][3]) / 2
p1, p2, _ = run(L, None) # mean end point (noise-free run)
return (math.sqrt(2 * vo) * 1000, math.sqrt(2 * vu) * 1000, math.log(vu / vo),
effort, 1000 * (p1 + p2 - TARGET))
def monte_carlo(L, seed, trials=2000):
rng = random.Random(seed); s = [run(L, rng) for _ in range(trials)]
m = sum(a + b for a, b, _ in s) / trials
return 1000 * math.sqrt(sum((a + b - m) ** 2 for a, b, _ in s) / (trials - 1))
def row(name, r, extra=""):
print(f"{name:20s} {r[0]:5.2f} mm {r[4]:+5.2f} mm {r[1]:6.2f} mm {r[2]:+5.2f}"
f" {r[3]:.4f}{extra}")
if __name__ == "__main__":
ofc = gains(final_cost("ofc", 1.0)); so = exact(ofc)
print("controller task SD mean err diff SD ln ratio corr. effort")
row("OFC (task sum only)", so)
lo, hi = 0.05, 50.0 # servo weight with equal correction effort
for _ in range(40):
mid = math.sqrt(lo * hi)
lo, hi = (mid, hi) if exact(gains(final_cost("servo", mid)))[3] < so[3] \
else (lo, mid)
ss = exact(gains(final_cost("servo", lo)))
row("servo, equal effort", ss, f" (w {lo:.3f})")
for w in (0.5, 4.0):
row(f"servo, weight {w:3.1f}", exact(gains(final_cost("servo", w))))
mc = (monte_carlo(ofc, 2002), monte_carlo(gains(final_cost("servo", lo)), 2002))
print(f"check by simulation (2,000 trials): task SD OFC {mc[0]:.2f} mm,"
f" servo {mc[1]:.2f} mm")
print("perturbation: effector 1 displaced +10 mm at t = 0.15 s (noise-free run)")
for name, Lg in (("OFC", ofc), ("servo", gains(final_cost("servo", lo)))):
p1, p2, _ = run(Lg, None, (15, 0.01)); q1, q2, _ = run(Lg, None)
print(f" {name:5s} final change: p1 {1000 * (p1 - q1):+5.2f} mm, p2"
f" {1000 * (p2 - q2):+5.2f} mm, sum {1000 * (p1 + p2 - q1 - q2):+5.2f} mm")
# controller task SD mean err diff SD ln ratio corr. effort
# OFC (task sum only) 1.14 mm -1.46 mm 11.87 mm +4.68 0.1534
# servo, equal effort 2.84 mm -10.17 mm 2.84 mm +0.00 0.1534 (w 0.275)
# servo, weight 0.5 2.16 mm -5.71 mm 2.16 mm +0.00 0.1659
# servo, weight 4.0 0.83 mm -0.73 mm 0.83 mm +0.00 0.2141
# check by simulation (2,000 trials): task SD OFC 1.14 mm, servo 2.82 mm
# perturbation: effector 1 displaced +10 mm at t = 0.15 s (noise-free run)
# OFC final change: p1 +5.13 mm, p2 -4.87 mm, sum +0.25 mm
# servo final change: p1 +1.59 mm, p2 +0.00 mm, sum +1.59 mm结果与最小干预原则的预测一致。OFC 的任务标准差为 1.14 毫米,两效应器之差的标准差却有 11.87 毫米,:它完全不纠正「一个多、一个少」的偏差。纠正努力相同时,伺服控制器的任务标准差为 2.84 毫米,是 OFC 的 2.5 倍,而且两个方向的方差相等(对数比 0.00);它的平均终点也短了 10.17 毫米(OFC 为 1.46 毫米),因为努力代价使弱权重的控制器「走不到」。伺服控制器要达到更小的任务误差,必须付出更多努力(权重为 4 时任务标准差 0.83 毫米、平均短 0.73 毫米,纠正努力 0.2141,比 OFC 多约 40%)。2,000 次模拟给出 1.14 与 2.82 毫米,与精确计算一致。
扰动实验显示了另一面(图二右)。效应器 1 被推开 10 毫米后,OFC 让两个效应器分担纠正:效应器 1 最终多出 5.13 毫米,效应器 2 少走 4.87 毫米,位置之和只偏 0.25 毫米。伺服控制器只让效应器 1 自己回去(最终仍多 1.59 毫米),效应器 2 毫不理会,和的误差为 1.59 毫米。这种「一个元素被扰动、其他元素补偿」的现象在运动控制文献中称为运动等效。
注
这个演示说明了什么,没有说明什么。 它说明:在一个写明的线性—二次模型中,只为任务付代价的最优控制器会产生 的结构,并以较少的努力达到较小的任务误差。它不是对最优反馈控制理论的「证明」:模型假设状态可以完全观测、噪声是加性的、代价函数已知;真实的神经系统有感觉延迟与噪声(第四章),代价函数也只能从行为中推断。反过来,看到 也不能证明神经系统在做最优反馈控制:被动的力学性质、事先学到的固定协同,甚至只是坐标的选择(上一节)都可以产生类似的结构 (Diedrichsen et al. 2010; Sternad et al. 2010)。
本章小结
UCM 分析把关节空间的变异分为不影响任务(UCM)与影响任务(ORT)两部分,按每个自由度比较;原研究是 9 人的坐—站任务,质心被强烈稳定。协同指数 有上下界,常用的对数变换在 时不一定为零;结论依赖坐标(同一组独立噪声在节段坐标下给出 −0.94),20 个试次的估计误差也不小。托多罗夫与乔丹的最优反馈控制给出了这种结构的一种解释:最小干预原则。在双效应器求和任务中,同等纠正努力下 OFC 的任务标准差为 1.14 毫米,伺服控制为 2.84 毫米;一个效应器被推开时,另一个反向补偿。这是特定模型中的演示,不是证明。下一章转向另一个经典问题:动作的速度与精度之间的权衡。
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).