非标机器人操作技能的跨任务迁移何以可能：从动态运动基元到黎曼流形编码的演变逻辑与泛化边界

机器人操作技能的跨任务迁移是具身智能的核心挑战之一。本文以“何以可能”为设问，系统梳理了技能迁移方法从动态运动基元（DMP）到黎曼流形编码的学术演变逻辑，并深入分析了两种范式的泛化边界。研究表明，传统DMP在欧氏空间中编码运动轨迹，其泛化能力受限于笛卡尔空间中的简单变换；黎曼流形编码通过将技能表示为流形上的几何对象，使迁移不再依赖显式的坐标变换，而是通过流形之间的几何映射实现。然而，黎曼方法的泛化并非无限——当目标任务的几何结构与源任务差异过大时，流形映射本身面临拓扑不匹配的根本性限制。

一、技能迁移的核心问题
机器人操作技能的跨任务迁移，目标是让机器人在一个任务中学到的技能能够有效地应用于另一个相关但不同的任务-。这一能力对于降低编程成本、提升系统灵活性具有决定性意义。

技能迁移面临的核心问题是表征的选择：技能以何种形式被编码，直接决定了它能否以及如何被迁移到新任务中。如果技能被编码为关节空间中的具体轨迹，那么迁移到不同几何构型的机器人时几乎需要重新学习；如果技能被编码为任务空间中的抽象运动模式，则迁移的可能性大大增加。

从DMP到黎曼流形编码的演变，正是表征能力不断升级的过程——从“具体轨迹”到“抽象几何”，从“坐标依赖”到“坐标无关”。

二、动态运动基元：欧氏空间的“模范轨迹”
动态运动基元（DMP）是模仿学习中最具影响力的技能编码方法之一。其核心思想是将技能编码为一个稳定的动力学系统——一个由非线性项驱动的二阶微分方程。

DMP的优势在于其优雅的数学结构：通过一个相位变量控制时间进程，通过一个非线性强迫项编码轨迹形状。这种结构使得DMP具备良好的泛化能力——改变起始点或目标点时，系统能够自动生成平滑的过渡轨迹。

然而，DMP的泛化能力受限于一个根本性约束：它是在欧氏空间中定义的。对于姿态、阻抗、可操作度等具有几何约束的量，传统的DMP无法正确编码。具体而言，当DMP分别处理每个自由度时，它假设各自由度相互独立——这一假设对于位置坐标大致成立，但对于旋转姿态则完全不成立。

三、黎曼流形编码：几何约束的内置化
黎曼流形编码正是为了突破DMP的欧氏局限而发展起来的。其核心思想是将技能编码从“欧氏空间中的轨迹”升级为“黎曼流形上的路径”。

具体而言，黎曼流形编码将机器人末端执行器的位姿视为流形上的点，将运动轨迹视为流形上的曲线。技能的迁移不再依赖对坐标的显式变换，而是通过流形之间的几何映射实现-。例如，当源任务中的姿态轨迹用四元数表示时，迁移到新任务只需改变四元数流形上的起始点与目标点，测地线插值会自动生成满足单位模约束的平滑过渡。

更为先进的黎曼任务参数化核化运动基元（Riemannian TP-KMPs）进一步扩展了这一思路，将任务参数（如目标位置、障碍物位置）也纳入流形框架，使得技能可以根据任务上下文动态调整-。

四、泛化边界：黎曼方法能走多远
黎曼流形编码显著扩展了技能迁移的适用范围，但其泛化能力并非无限。理解泛化边界，对于合理应用这一方法至关重要。

边界一：流形结构的同构性要求。 当源任务与目标任务的姿态空间具有不同的拓扑结构时（如从SO(3)到SE(3)），流形之间的映射可能不存在或非唯一。这时，简单的几何映射无法完成迁移，需要更复杂的结构对齐。

边界二：任务几何的差异性。 研究表明，黎曼方法的优势在精度要求较高的任务中最为显著-。当任务几何差异过大时（如从直线运动迁移到螺旋运动），流形编码的优势可能被任务本身的复杂性所抵消。

边界三：计算代价的权衡。 黎曼方法在流形上进行优化与规划，计算代价显著高于欧氏方法。当任务简单、精度要求不高时，这一代价可能并不值得-。

五、结论
从DMP到黎曼流形编码的演变，反映了机器人技能迁移方法从“数据驱动”到“几何驱动”的深层逻辑。黎曼流形编码通过将几何约束内置到表征之中，使技能迁移摆脱了对具体坐标系的依赖，实现了更高层次的抽象与泛化-。然而，泛化不是无界的——流形拓扑的差异与任务几何的多样性，构成了黎曼方法无法逾越的边界。理解这一边界，既是对方法局限的清醒认知，也是推动进一步创新的起点。