一、引言：机器人操作技能表征的维度困境
非标机器人需要在复杂工况下完成多样化的操作任务，从精密装配到柔性抓取，从弧焊跟踪到曲面打磨。这些任务的共同挑战在于：机器人的状态空间维度极高——关节角度、末端位姿、接触力、刚度参数等动辄数十乃至上百维。在如此高维的空间中直接学习和泛化操作技能，面临着数据稀疏性、计算复杂性和泛化困难三重瓶颈。
传统的技能表征方法——无论是动态运动基元（DMP）、高斯混合模型（GMM）还是概率运动基元（ProMP）——大多假设数据存在于欧几里得空间。然而，这一假设在机器人操作中往往不成立。
二、为什么欧几里得空间不够用：非欧数据的普遍性
机器人操作中大量关键数据天然属于非欧几里得空间：
姿态与方向：机器人的末端姿态通常用旋转矩阵或单位四元数表示。旋转矩阵属于特殊正交群SO(3)，单位四元数属于三维球面S³——两者都是弯曲的流形，而非平坦的欧氏空间-。在欧氏空间中直接对四元数做线性插值或平均，会产生不符合旋转运动学的无效结果。
阻抗与惯量：机器人的惯性矩阵、刚度矩阵和可操作度椭球都属于对称正定（SPD）矩阵。SPD矩阵的空间同样是一个黎曼流形，而非欧氏空间-。
力与扭矩：力/扭矩的旋量空间也蕴含着非欧几何结构，尤其在接触任务中，力椭球的形状和方向同样需要流形上的表征。
如果在欧氏空间中用标准的算术工具处理这些非欧数据，会导致不准确的表达和错误的推理。以姿态生成为例：给定两个末端姿态四元数q₁和q₂，欧氏空间中的线性插值 (1-t)q₁ + tq₂ 再归一化，得到的轨迹并非SO(3)上的最短路径（测地线），而是绕了远路的无效运动。这种看似微小的几何误差，在精密装配中会累积为不可接受的定位偏差。
三、黎曼流形：弯曲空间中的几何语言
黎曼流形提供了一个处理非欧数据的数学框架-。简而言之，黎曼流形是一个局部“看起来像”欧氏空间、但整体具有弯曲结构的空间，其上定义了一个黎曼度量来测量距离和角度-。
在黎曼流形上，两点之间的最短路径称为测地线。测地线是欧氏空间中“直线”概念在弯曲空间中的推广-。对于机器人操作技能而言，测地线运动技能允许机器人从流形上的任意起点运动到任意目标点，且路径在几何上是最优的。
黎曼流形框架为机器人操作技能的几何化表征提供了三个核心工具：
指数映射：将切空间（局部线性近似）中的向量映射回流形上的点，用于从当前状态沿特定方向生成新状态。
对数映射：指数映射的逆操作，将流形上的两点差异映射回切空间，用于计算状态之间的“差异向量”。
平行移动：在不同切空间之间传递向量，使得在不同流形位置上的操作可以保持一致性的几何参照。
这些工具使得在弯曲空间中进行“类欧氏”的计算成为可能，同时保持了流形本身的几何约束。
四、从高维观测到低维流形：结构化嵌入的路径
将高维状态空间中的机器人操作技能嵌入低维黎曼流形，通常遵循以下路径：
第一步：采集示教数据。 通过人工示教或遥操作，采集机器人完成特定操作任务的多组轨迹数据。这些数据包括末端位置、姿态、力/扭矩等完整状态信息。
第二步：构建学习模型。 利用变分自编码器（VAE）等生成模型，从示教数据中学习一个低维的黎曼流形。该流形的每个点对应于一个有效的操作状态，流形上的测地线对应于自然的运动技能。
第三步：嵌入几何约束。 将旋转矩阵、单位四元数、SPD矩阵等非欧数据的几何约束显式地嵌入到学习过程中。这可以通过在损失函数中加入流形上的距离度量（如测地距离）来实现-。
第四步：技能泛化。 在学得的流形上，通过测地线插值、最优控制或动态系统演化，生成面向新目标状态的操作轨迹。
以动态运动基元（DMP）的几何化改进为例-：传统DMP在欧氏空间中编码轨迹，无法正确处理四元数的非欧性质-。基于黎曼度量的改进DMP formulation-将DMP的动力学系统定义在黎曼流形上，使得生成的轨迹天然满足旋转运动的几何约束，同时保留了DMP原有的泛化能力和稳定性保证。
五、几何化表征如何赋能技能泛化
几何化表征对技能泛化的贡献体现在三个层面：
第一，自然的插值与泛化。 在黎曼流形上，测地线提供了状态之间最自然的插值路径。这使得从已知技能泛化到新目标时，生成的轨迹在几何上是最优且物理上可执行的。
第二，多模态任务的统一处理。 黎曼流形自然地支持多模态（multi-mode）任务的表示。不同模式的操作技能可以在流形的不同区域编码，测地线可以跨越这些区域生成之前未显式示教过的全新运动。
第三，动态避障的便捷实现。 通过在线重新定义流形上的黎曼度量（即改变距离的计算方式），可以实现在不重新规划整条轨迹的前提下引导机器人绕过障碍物。这种“度量重定义”的策略比传统的重新规划方法更加高效和优雅。
在非标制造场景中，上述能力具有直接的工程价值：当工件型号变更时，无需重新示教，只需在学得的技能流形上指定新的目标点即可生成适配的运动轨迹。一项在真实机器人上的实验表明，基于黎曼流形的技能学习方法在瓶体堆叠（不同尺寸和位置）和钻孔任务（与人协作）中均展现出了良好的学习精度和任务适应能力。
六、从几何化表征到几何化控制：一个完整的理论闭环
操作技能的几何化表征不应止于运动规划层面，还应延伸至控制层面-。一个完整的几何化框架应包括：
几何化感知：将传感器数据（视觉特征、力觉信息）映射到统一的黎曼流形表示空间。
几何化规划：在流形上通过测地线或最优控制生成满足几何约束的运动轨迹-。
几何化控制：将控制器的反馈增益定义在流形的切空间上，使得控制律本身也具有几何一致性-。
这一闭环的核心在于：感知、规划、控制三个环节共享同一个几何表征空间，从而消除了传统架构中因空间不一致而导致的信息损耗-。有研究已提出将状态空间模型作为统一表达框架，贯通机器人从感知输入到决策推理再到执行输出的状态流转全链路，实现多模态信息在统一状态空间中的边界演进与动态耦合-。
七、挑战与展望
几何化表征方法虽然在理论上优雅，但在工程落地中仍面临若干挑战：
计算复杂度：流形上的指数映射、对数映射和平行移动涉及非线性方程的数值求解，计算开销高于欧氏空间中的线性运算。对于实时性要求高的非标操作任务，需要在精度和速度之间做出权衡-。
示教数据需求：虽然黎曼流形方法在一定程度上降低了对数据量的需求，但构建高质量的技能流形仍然需要覆盖足够多样的操作工况。
与现有工业生态的兼容：大多数工业机器人控制器仍基于欧氏空间的运动学模型，将黎曼流形方法集成到现有控制架构中需要重新设计接口和通信协议-。
尽管如此，几何化表征代表了一个清晰的技术方向：让机器人的运动生成遵循物理世界本来的几何结构，而非强迫物理世界迁就欧氏计算的便利。在非标制造这个充满几何不确定性的领域中，这种“几何意识”可能是实现真正柔性自动化的关键一步。
中研高科教育
