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
第三章 费茨定律与速度—精度权衡:信息论类比的边界
费茨 1954 年的实验
快而准很难兼得:目标越远、越小,动作就越慢。费茨 1954 年把这条常识写成了一个定量的关系,并借用了香农几年前提出的信息论 (Fitts 1954; Shannon 1948)。
证据
原始实验。 费茨做了三个实验 (Fitts 1954)。第一个是往返敲击:受试者手持触笔,在两块目标板之间来回敲击,尽可能快又不出界;16 名右利手的男大学生参加,目标宽度 取 2、1、0.5、0.25 英寸,幅度 取 2、4、8、16 英寸,共 16 种组合,分别用 1 盎司与 1 磅的触笔完成。第二个实验把垫圈从一根柱子移到另一根柱子(另 16 名男大学生),第三个把小钉从一个孔移到另一个孔(10 男 10 女)。费茨定义难度指数 (比特),表现指数 (比特/秒)。在 1 盎司触笔的 8 种最好条件下, 在 10.3 到 11.5 比特/秒之间;两种触笔的 16 个 值之间的相关为 0.97。费茨据此认为,运动系统处理信息的能力在相当大的幅度与容差范围内大致恒定,三个任务约为每秒 10 到 12 比特,超出这个范围则下降。
把 恒定改写一下,就得到常说的费茨定律: 框架中写的 就是这个原式( 与 都表示幅度)。
三种难度指数
后来的研究提出过几种不同的对数形式。麦肯齐 1992 年在一篇长篇综述中推广了所谓的香农式 ,并与费茨原式和韦尔福德式 作了比较 (MacKenzie 1992)。
证据
麦肯齐的理由。 第一,香农式的难度不会为负,而原式与韦尔福德式在两个目标重叠时会出现负值;第二,费茨定律借自香农的第 17 定理,香农式与该定理的形式直接对应;第三,用香农式并按实际误差调整目标宽度后,对费茨 1 盎司敲击数据的拟合相关从 0.9831 提高到 0.9937。麦肯齐也说明,这种改进只是「预测力略好」。有效宽度的做法是把终点坐标的标准差乘以 4.133 作为 :正态分布的熵为 ,这对应约 96% 的命中、4% 的脱靶 (MacKenzie 1992)。索科雷夫与麦肯齐 2004 年总结 27 年的研究,建议在评价指点设备时采用有效宽度与香农式计算吞吐量 (Soukoreff and MacKenzie 2004)。
下面程序的第一部分列出费茨敲击实验中几种条件的三种难度指数。难度低时三者差别很大:、 时,原式与香农式都是 1 比特,韦尔福德式只有 0.58;、 时,原式为 7 比特,香农式 6.02。所以同一组数据,用不同的指数会得到不同的斜率与截距,文献之间的 值不能直接比较。
对数形式从何而来
费茨借用了信息论的语言,但「运动系统是一个容量固定的信道」只是一个类比:香农的第 17 定理讨论的是有加性高斯噪声、带宽受限的信道,而手臂不是这样的信道。对数形式可以从几种不同的机制得出,也有机制给出别的形式。
迈耶等人 1988 年提出了随机最优子运动模型:一次瞄准动作由一个主子运动与(必要时)一个修正子运动组成,每个子运动终点的标准差与其平均速度成正比;动作者选择两个子运动的时长,使总时间最短,同时保持命中率 (Meyer et al. 1988)。在两个子运动的情形下,这个模型预测运动时间近似与 成线性关系,而不是与 。施密特等人 1979 年的冲量变异性理论则针对很快的单次动作,预测有效宽度与 成线性 (Schmidt et al. 1979)。
推导
程序的第二部分按迈耶等人模型的思路写成数值优化(参数为示意值):主子运动用时 ,终点标准差 ;若未命中,修正子运动从脱靶点出发,用时 ,标准差 ;在总命中率 96% 的约束下选择 、 使平均时间最短( 秒)。对费茨敲击实验的 16 种条件求出「最优」平均时间,再分别对三种指数做线性回归。
# Part 1: index of difficulty in Fitts's (1954) tapping design (amplitudes 2-16 in,
# widths 0.25-2 in): Fitts's log2(2A/W), MacKenzie's Shannon form log2(A/W + 1) and
# Welford's log2(A/W + 0.5). Part 2: a stochastic optimised-submovement model in the
# spirit of Meyer et al. (1988): a primary submovement of duration T1 lands with SD
# k*A/T1; if it misses, a corrective submovement of duration T2 starts from the miss
# with SD k*|e|/T2. T1 and T2 minimise mean time subject to 96 % hits overall
# (k = 0.04 s, illustrative). Do log or square-root laws describe the optimised times?
import math
K, HIT = 0.04, 0.96
A_SET, W_SET = (2, 4, 8, 16), (0.25, 0.5, 1, 2)
def p_in(half, sd):
return math.erf(half / (math.sqrt(2) * sd)) if sd > 0 else 1.0
def p_total(A, W, T1, T2, m=120):
s1 = K * A / T1; h = W / 2; p1 = p_in(h, s1)
if T2 <= 0:
return p1
top = h + 8 * s1; step = (top - h) / m; acc = 0.0
for i in range(m + 1): # Simpson over the miss distance e > W/2
e = h + i * step; wgt = 1 if i in (0, m) else (4 if i % 2 else 2)
dens = math.exp(-0.5 * (e / s1) ** 2) / (s1 * math.sqrt(2 * math.pi))
acc += wgt * dens * p_in(h, K * e / T2)
return p1 + 2 * acc * step / 3
def best(A, W):
def mean_time(T1):
s1 = K * A / T1; p1 = p_in(W / 2, s1)
if p1 >= HIT:
return T1, 0.0
if p_total(A, W, T1, 50.0) < HIT:
return math.inf, 0.0
lo, hi = 0.0, 50.0
for _ in range(40):
mid = (lo + hi) / 2
lo, hi = (lo, mid) if p_total(A, W, T1, mid) >= HIT else (mid, hi)
return T1 + (1 - p1) * hi, hi
grid = [0.02 * i for i in range(2, 200)]
t1 = min(grid, key=lambda t: mean_time(t)[0])
a, b = max(0.02, t1 - 0.02), t1 + 0.02 # golden-section refinement
g = (math.sqrt(5) - 1) / 2
for _ in range(30):
c, d = b - g * (b - a), a + g * (b - a)
a, b = (a, d) if mean_time(c)[0] < mean_time(d)[0] else (c, b)
t1 = (a + b) / 2; mt, t2 = mean_time(t1)
return mt, t1, t2
def fit(x, y):
n = len(x); mx, my = sum(x) / n, sum(y) / n
b = sum((u - mx) * (v - my) for u, v in zip(x, y)) / sum((u - mx) ** 2 for u in x)
a = my - b * mx; ss = sum((v - a - b * u) ** 2 for u, v in zip(x, y))
return a, b, 1 - ss / sum((v - my) ** 2 for v in y)
if __name__ == "__main__":
print(" A W Fitts ID Shannon ID Welford ID model MT T1 T2")
rows = []
for A in A_SET:
for W in W_SET:
mt, t1, t2 = best(A, W); rows.append((A, W, mt))
if (A, W) in ((2, 2), (2, 0.25), (4, 1), (8, 0.5), (16, 2), (16, 0.25)):
print(f"{A:4d} {W:5.2f} {math.log2(2 * A / W):6.2f} "
f"{math.log2(A / W + 1):6.2f} {math.log2(A / W + 0.5):6.2f}"
f" {mt:6.3f} s {t1:5.3f} {t2:5.3f}")
mt = [r[2] for r in rows]
for name, f in (("Fitts log2(2A/W)", lambda A, W: math.log2(2 * A / W)),
("Shannon log2(A/W+1)", lambda A, W: math.log2(A / W + 1)),
("square root sqrt(A/W)", lambda A, W: math.sqrt(A / W))):
x = [f(A, W) for A, W, _ in rows]; a, b, r2 = fit(x, mt)
res = max(abs(m - a - b * u) for u, m in zip(x, mt))
print(f"MT on {name:21s}: a = {a:+.3f} s, b = {b:.3f}, R^2 = {r2:.5f},"
f" max |res| {1000 * res:4.1f} ms")
print("16 conditions; A/W ranges from 1 to 64; MT depends on A/W only in this model")
# A W Fitts ID Shannon ID Welford ID model MT T1 T2
# 2 0.25 4.00 3.17 3.09 0.419 s 0.245 0.248
# 2 2.00 1.00 1.00 0.58 0.110 s 0.079 0.095
# 4 1.00 3.00 2.32 2.17 0.276 s 0.171 0.178
# 8 0.50 5.00 4.09 4.04 0.623 s 0.348 0.350
# 16 0.25 7.00 6.02 6.01 1.319 s 0.697 0.698
# 16 2.00 4.00 3.17 3.09 0.419 s 0.245 0.248
# MT on Fitts log2(2A/W) : a = -0.261 s, b = 0.190, R^2 = 0.90814, max |res| 250.5 ms
# MT on Shannon log2(A/W+1) : a = -0.239 s, b = 0.226, R^2 = 0.94570, max |res| 196.6 ms
# MT on square root sqrt(A/W): a = -0.069 s, b = 0.173, R^2 = 0.99996, max |res| 5.7 ms
# 16 conditions; A/W ranges from 1 to 64; MT depends on A/W only in this model在这个模型里,运动时间只取决于 ,并且几乎完全与 成线性关系(,最大残差 5.7 毫秒,截距 −0.069 秒);残差有系统的弯曲,说明平方根关系是一个很好的近似,不是精确的定律( 很大、主子运动几乎总是脱靶时,最优时间才趋于与 成正比)。但如果拿同样的 16 个点去拟合费茨原式, 仍有 0.908,香农式 0.946——在真实数据的噪声下,这样的拟合很容易被读成「符合费茨定律」。截距为负(−0.261 与 −0.239 秒)是一个线索:曲线的真实形状比对数更陡。图三右把同一组点画在 与 两种横轴上。一个形式拟合得好,不能说明产生数据的机制就是这个形式背后的机制。
信号依赖噪声与两种轨迹理论
速度与精度为什么冲突?一个简单的解释是运动指令的噪声随指令大小而增大:动作越快,需要的力越大,噪声也越大。
证据
信号依赖噪声。 琼斯、汉密尔顿与沃尔珀特 2002 年研究了等长用力时力的波动,发现力的标准差大致随平均力线性增大,并分析了运动单位的募集与放电性质对这种噪声的贡献 (Jones et al. 2002)。富兰克林与沃尔珀特的综述把这类噪声概括为:在相当大的范围内,运动噪声的标准差与平均信号成正比,变异系数大致恒定 (Franklin and Wolpert 2011)。
在这个基础上,哈里斯与沃尔珀特 1998 年提出:动作的轨迹是这样选择的——在信号依赖噪声下,使动作结束后一段时间内眼或手位置的方差最小 (Harris and Wolpert 1998)。他们用这一个假设解释了扫视眼动与手臂瞄准动作的速度曲线,并认为它能预测费茨定律式的速度—精度权衡。
另一种更早的理论是弗拉什与霍根 1985 年的最小急动度模型:在给定起点、终点与时间的条件下,选择使急动度(位置的三阶导数)平方积分最小的轨迹 (Flash and Hogan 1985)。它的解是五次多项式,归一化速度为 ,峰值在中点,等于平均速度的 1.875 倍。莫拉索 1981 年观察到平面手臂动作中手的路径近于直线、速度呈钟形 (Morasso 1981),这是两种理论都要解释的事实;宇野、川人与铃木 1989 年则提出了以关节力矩变化为代价的动力学模型 (Uno et al. 1989)。
框架把「最小化终点方差导出钟形速度曲线」与「最小急动度 / 最小方差」写在一起。需要分清:最小急动度是一个运动学的平滑性代价,与噪声无关,也不依赖肢体的力学;最小方差是从噪声推出的,它的预测依赖于肢体的动力学。两者都可以给出钟形曲线,但理由不同。
推导
程序用一个带刚度 (阻尼比 0.7)的单位质量与 40 毫秒的力滤波器代表肢体,在信号依赖噪声(标准差 )下求最小方差的指令:在平均轨迹 时刻静止于距离 处的约束下,使之后 300 毫秒内位置方差之和最小(拉格朗日乘子法,解一个 3×3 线性方程组)。然后比较不同 时的速度曲线与最小急动度曲线;第二部分对每个难度指数求满足 的最短时间。
# Minimum-jerk (Flash & Hogan 1985) versus minimum-variance (Harris & Wolpert 1998).
# Plant: unit mass with stiffness K, damping ratio 0.7 and a first-order force filter
# (tau = 40 ms); dt = 5 ms. Motor noise is signal-dependent, SD = k |u|. The minimum-
# variance command minimises the summed positional variance over a 300 ms hold after
# the movement, subject to the MEAN trajectory reaching distance D at time T at rest.
# Part 2: shortest T with 4.133 SD <= W for each index of difficulty (K = 10).
import math
DT, TAU, HOLD = 0.005, 0.04, 60
def plant(K):
b = 2 * 0.7 * math.sqrt(K)
return [[1, DT, 0], [-DT * K, 1 - DT * b, DT], [0, 0, 1 - DT / TAU]], [0, 0, DT / TAU]
def simulate(A, B, u):
x, out = [0.0, 0.0, 0.0], []
for ui in u:
x = [sum(a * v for a, v in zip(r, x)) + bi * ui for r, bi in zip(A, B)]
out.append(x)
return out
def solve(M, b):
n = len(M); A = [r[:] + [x] for r, x in zip(M, b)]
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]
for r in range(n):
if r != c:
A[r] = [a - A[r][c] / A[c][c] * x for a, x in zip(A[r], A[c])]
return [A[i][n] / A[i][i] for i in range(n)]
def min_variance(K, nt, D=1.0):
A, B = plant(K); g = simulate(A, B, [1.0] + [0.0] * (nt + HOLD))
c = [sum(g[t - s][0] ** 2 for t in range(nt, nt + HOLD)) for s in range(nt)]
G = [[g[nt - s][k] for s in range(nt)] for k in range(3)]
M = [[sum(G[i][s] * G[j][s] / c[s] for s in range(nt)) for j in range(3)]
for i in range(3)]
lam = solve(M, [D, 0.0, K * D]) # at rest at D: force = K D
u = [sum(lam[k] * G[k][s] for k in range(3)) / c[s] for s in range(nt)]
var = sum(ci * ui * ui for ci, ui in zip(c, u)) # hold-phase holding command K D
var += (K * D) ** 2 * sum(sum(g[t - s][0] ** 2 for s in range(nt, t))
for t in range(nt, nt + HOLD))
return u, math.sqrt(var / HOLD) # u and positional SD / k
def profile(K, nt):
A, B = plant(K); u, _ = min_variance(K, nt)
return [x[1] * nt * DT for x in simulate(A, B, u)] # velocity / mean velocity
if __name__ == "__main__":
nt = 100; q = (0.1, 0.25, 0.5, 0.75, 0.9)
mj = [30 * x ** 2 - 60 * x ** 3 + 30 * x ** 4
for x in ((i + 1) / nt for i in range(nt))]
print("T = 0.5 s; velocity/mean velocity at 10/25/50/75/90 % of T; peak (time);"
" RMS gap")
rows = [("minimum jerk", mj)] + [(f"min-variance, K = {K:2d}", profile(K, nt))
for K in (0, 5, 10, 20)]
for name, v in rows:
pk = max(range(nt), key=lambda i: v[i])
rms = math.sqrt(sum((a - b) ** 2 for a, b in zip(v, mj)) / nt)
print(f" {name:22s} " + " ".join(f"{v[round(x * nt) - 1]:5.2f}" for x in q)
+ f" {v[pk]:.2f} ({(pk + 1) / nt:.2f} T) {rms:.2f}")
print("shortest MT with 4.133 SD <= W; k set so that ID 2 needs T = 0.10 s:")
for K in (0, 10):
table = [(n * DT, min_variance(K, n)[1]) for n in range(20, 401, 2)]
k = 2 / (4.133 * 4 * table[0][1]) # SDN coefficient for this plant
ids, mts = [], []
for idx in (2, 3, 4, 5, 6, 7):
need = 2 / (4.133 * k * 2 ** idx) # allowed SD/(k D) when W = 2D/2^ID
ids.append(idx) # tolerance: float rounding at ID 2
mts.append(next(t for t, r in table if r <= need * (1 + 1e-9)))
n = len(ids); mx, my = sum(ids) / n, sum(mts) / n
b = sum((x - mx) * (y - my) for x, y in zip(ids, mts)) / \
sum((x - mx) ** 2 for x in ids)
r2 = 1 - sum((y - my - b * (x - mx)) ** 2 for x, y in zip(ids, mts)) / \
sum((y - my) ** 2 for y in mts)
lx = [i * math.log(2) for i in ids]; ly = [math.log(t) for t in mts]
ex = sum((x - sum(lx) / n) * (y - sum(ly) / n) for x, y in zip(lx, ly)) / \
sum((x - sum(lx) / n) ** 2 for x in lx)
print(f" K = {K:2d}: " + " ".join(f"{t:.2f}" for t in mts) +
f" s (ID 2-7); linear R^2 {r2:.3f}; MT ~ (2D/W)^{ex:.2f}")
# T = 0.5 s; velocity/mean velocity at 10/25/50/75/90 % of T; peak (time); RMS gap
# minimum jerk 0.24 1.05 1.88 1.05 0.24 1.88 (0.50 T) 0.00
# min-variance, K = 0 0.16 0.68 1.51 1.65 0.79 1.75 (0.67 T) 0.41
# min-variance, K = 5 0.28 0.98 1.61 1.31 0.53 1.63 (0.55 T) 0.20
# min-variance, K = 10 0.36 1.17 1.64 1.12 0.40 1.64 (0.48 T) 0.14
# min-variance, K = 20 0.52 1.50 1.63 0.81 0.22 1.76 (0.39 T) 0.27
# shortest MT with 4.133 SD <= W; k set so that ID 2 needs T = 0.10 s:
# K = 0: 0.10 0.15 0.21 0.33 0.56 1.09 s (ID 2-7); linear R^2 0.816; MT ~ (2D/W)^0.67
# K = 10: 0.10 0.14 0.20 0.29 0.44 0.77 s (ID 2-7); linear R^2 0.860; MT ~ (2D/W)^0.58结果有两点。第一,最小方差的速度曲线随肢体的力学而改变:纯惯性()时峰值在 0.67,曲线向后偏; 时峰值在 0.48,与最小急动度曲线最接近(均方根差 0.14 个平均速度); 时峰值提前到 0.39。峰值速度为平均速度的 1.63—1.76 倍,都低于最小急动度的 1.875。所以速度曲线的偏斜程度在原则上可以区分两种理论,但要先知道肢体的力学参数(图三左)。
第二,在这个开环的简化模型中,难度指数从 2 到 7 比特时,最短时间从 0.10 秒增至 1.09 秒()或 0.77 秒(),近似为 或 的幂函数,对难度指数的线性拟合 只有 0.82—0.86。哈里斯与沃尔珀特报告他们的模型与费茨定律相符;本书的简化模型没有反馈修正,给出的关系更接近幂函数。这不说明他们错了,而是说明「最小方差推出费茨定律」依赖模型的细节;对数形式的速度—精度关系很可能离不开动作中的反馈修正(例如迈耶模型的修正子运动)。
注
「信息论边界」应当怎样理解。 费茨的表现指数测的是单位时间内完成的难度指数,单位是「比特/秒」,但这里的「比特」是由 定义的,不是从神经信号测出的信息量。说运动系统有一个「每秒 10 比特的上限」,是把类比当成了物理定律。可以检验的是:在给定任务与指数定义下, 与难度指数的关系是不是线性的,截距与斜率是多少,以及它们怎样随练习、年龄与设备改变 (Soukoreff and MacKenzie 2004)。
本章小结
费茨 1954 年的敲击实验(16 人,幅度 2—16 英寸,宽度 0.25—2 英寸)给出了 ,最好条件下的表现指数约为 10.3—11.5 比特/秒。香农式 是麦肯齐推广的另一种指数,难度低时与原式差别很大。对数形式不是唯一的可能:在迈耶式最优子运动模型中,运动时间几乎完全与 成线性关系(),对数式仍可拟合出 。最小急动度与最小方差是两种不同的理论:前者是运动学的平滑性代价,后者由信号依赖噪声推出,其速度曲线随肢体刚度改变;在本书的开环简化模型中,最小方差给出的速度—精度关系更接近幂函数。下一章讨论另一个限制:感觉反馈的延迟,以及神经系统怎样用内部模型绕过它。
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).