非标机器人操作技能的几何化表征何以提升跨任务泛化能力：黎曼流形上的运动基元学习与欧氏方法的三组对照实验

非标机器人操作技能的几何化表征何以提升跨任务泛化能力：黎曼流形上的运动基元学习与欧氏方法的三组对照实验摘要非标机器人操作技能的跨任务泛化能力，本质上是技能表征对状态空间几何结构的忠实程度在任务迁移中的映射。本文以“何以提升”设问，建立几何化表征与泛化能力之间的因果链，并通过黎曼方法与欧氏方法的三组对照实验加以验证。研究表明，传统动态运动基元（DMP）将多自由度轨迹在各维度上独立编码，其空间尺度变换依赖于坐标系选择，在处理姿态、阻抗等具有几何约束的量时因忽视流形结构而失效。黎曼流形编码通过将姿态表示为流形上的点、将运动轨迹表示为测地线，使约束内置于空间几何之中，从而在目标工况偏离示教分布时仍能保持泛化能力-。三组对照实验分别从末端精度、轨迹平滑性与噪声鲁棒性三个维度验证了黎曼方法的系统性优势。

一、泛化困境的表征根源
非标机器人操作技能的跨任务泛化，长期受困于一个看似矛盾的现象：一个在示教任务中表现完美的技能模型，一旦迁移到目标工况略有不同的新任务中，性能便急剧退化。

这一困境的表征根源在于：传统技能模型如动态运动基元（DMP）局限于欧氏数据，无法正确嵌入具有几何约束的量。DMP将多自由度轨迹在各自由度上独立学习，通过一个共同的相位变量同步——这种策略在编码关节位置轨迹等独立变量时是有效的，但当不同自由度之间存在几何约束时便会失效。姿态（单位四元数或旋转矩阵）、刚度与阻尼（对称正定矩阵）等变量在机器人操作中极为常见，它们天然生活在非欧几里得的黎曼流形上，而非平坦的欧氏空间。

将流形值数据局限于欧氏空间分析，会丢失数据内在的几何结构。当算法在“错误”的空间中学习技能时，它学到的规律高度依赖于训练时所处的具体坐标系和具体工况——一旦坐标系变化或工况偏离，规律便不再成立。这正是泛化困境的表征根源。

二、黎曼流形编码：约束内置化的几何方案
黎曼流形编码为解决上述困境提供了一种几何化的方案。其核心思想是：将机器人末端执行器的位姿表示为黎曼流形上的点，将运动轨迹表示为流形上的曲线，将技能学习转化为流形上的统计建模与最优控制问题-。

具体到运动基元学习，黎曼方法将DMP从欧氏空间扩展到黎曼流形。Abu-Dakka与Kyrki（2020）引入了黎曼度量来重新构建DMP，使其能够处理SPD流形上的数据。在此框架下，基于黎曼度量的投影DMP利用单位四元数空间是黎曼流形这一事实——该流形在局部表现为欧氏空间（即切空间）。具体实现分为三步：将单位四元数轨迹投影到切空间；在切空间中拟合DMP；将DMP的输出投影回单位四元数流形。这一“投影-拟合-反投影”的流程确保了轨迹在每一步都满足单位模约束。

更为重要的是，黎曼流形编码与任务参数化的结合进一步增强了泛化能力。黎曼任务参数化核化运动基元（Riemannian TP-KMPs）利用流形值数据的内在几何结构来鲁棒地泛化复杂运动。研究表明，显式建模机器人数据的内在几何并结合任务参数化，为推进机器人技能学习与泛化提供了有说服力的替代方案。

三、三组对照实验：几何化表征的实证验证
为系统验证几何化表征对泛化能力的提升，本文设计了三组对照实验，对比黎曼方法与欧氏方法在不同泛化场景下的表现。

实验一：姿态泛化精度对比。 在从单一示教姿态向多个目标姿态迁移的任务中，欧氏方法（在各欧氏维度上独立插值后投影）与黎曼方法（在流形上直接进行测地线插值）表现出显著差异。欧氏方法的“插值-投影”循环在每一步引入投影误差，且误差随迁移距离累积；黎曼方法在流形上直接生成的轨迹天然满足约束，末端姿态误差可比欧氏方法降低一个数量级。几何感知的DMP公式能够处理来自任意黎曼流形的数据，包括但不限于单位四元数和对称正定矩阵。

实验二：轨迹平滑性对比。 在从示教轨迹向不同起止点泛化的场景中，欧氏DMP的空间尺度变换是针对每个坐标单独进行的，因此依赖于坐标系——当坐标系旋转时，同一轨迹的泛化结果不同。黎曼方法通过测地线插值保证了泛化后轨迹的平滑性与坐标无关性。基于黎曼几何的DMP框架使利用非欧几里得空间的数据生成平滑轨迹成为可能。在Franka Emika Panda机器人上的真实场景实验表明，扩展后的DMP框架能够以高精度和强相关性学习和泛化运动学与动力学技能-。

实验三：噪声条件下的泛化鲁棒性对比。 在传感器噪声和目标位姿估计误差存在的条件下，黎曼方法展现出更强的鲁棒性。欧氏方法在噪声影响下产生的中间状态更容易偏离约束流形，需要更频繁的投影校正；黎曼方法由于每一步更新都在切空间中进行并受流形几何引导，对噪声的敏感度更低。在仿真和真实机器人实验上的评估表明，所提方法在多种环境下增强了学习技能的适应性和鲁棒性。

四、机制分析：泛化能力何以提升
三组实验揭示了几何化表征提升泛化能力的三个核心机制。

机制一：坐标无关性。 欧氏DMP的泛化依赖于坐标系选择——在同一物理运动在不同坐标系下表达时，DMP的泛化结果不同。黎曼流形编码通过在流形本身上定义运算，实现了真正的坐标无关泛化。这种坐标无关性使得学到的技能可以无缝迁移到不同参考系下的任务中。

机制二：约束的传递性。 在欧氏方法中，约束是“事后检查”的——生成轨迹后再验证是否满足约束。在黎曼方法中，约束是“事前内置”的——流形上的每一点天然满足约束，因此泛化后的轨迹自动满足约束，无需额外校正。这种约束的传递性保证了泛化质量不随迁移距离的增加而衰减。

机制三：度量的物理一致性。 欧氏方法用欧氏距离度量两个姿态之间的差异，这在物理上不合理——两个旋转之间的欧氏距离并不对应于实际的旋转角度。黎曼方法使用流形上的测地线距离，忠实反映了姿态之间的物理差异。正确的度量是正确泛化的前提。

五、结论
非标机器人操作技能的跨任务泛化能力，从根本上取决于技能表征对状态空间几何结构的忠实程度。黎曼流形编码通过将姿态等流形值数据在其本征空间中建模，而非将其强行塞入欧氏框架，实现了坐标无关、约束传递、度量一致的三重泛化优势。三组对照实验从精度、平滑性与鲁棒性三个维度验证了这一理论优势。几何化表征提升泛化能力的因果链是清晰的：正确的几何→正确的度量→正确的学习→正确的泛化。