3. 动作表示与编码：关节空间与任务空间表示，动作基元与轨迹编码

好，我们进入第三章。这一章，说白了就是解决一个核心问题：机器人怎么“记住”一个动作，又怎么把它“说出来”。

你想想看，我们人类做一个动作，比如拿起水杯，大脑里其实有一套很复杂的表示。但机器人不行，它得靠数学。我个人习惯把动作表示分成两个层面：一个是“身体怎么动”，另一个是“手在空间里怎么走”。

3.1 关节空间 vs 任务空间：两种“语言”

先聊关节空间。这玩意儿最直观——每个关节的角度就是一组数。比如一个六轴机械臂，它的状态就是 [θ₁, θ₂, θ₃, θ₄, θ₅, θ₆]。

我在项目里遇到过一个问题：用关节空间做轨迹规划，机器人末端走了一条完美的直线？不，其实它在关节空间里画了个弧线。因为关节角度变化和末端位置变化不是线性关系。

任务空间就不一样了。它描述的是末端执行器的位姿——位置(x, y, z)加上姿态(roll, pitch, yaw 或四元数)。

特性	关节空间	任务空间
直观性	不直观，但控制简单	直观，符合人类认知
奇异性	无奇异点	存在奇异位姿
计算量	小，直接映射到电机	大，需要逆运动学
适用场景	点到点运动、避障	直线运动、精细操作

嗯，这里要注意：实际项目中，我们经常混合使用。比如粗定位用关节空间，精调用任务空间。我做过一个抓取任务，前半段用关节空间快速接近，后半段切到任务空间做姿态微调——效果不错。

3.2 动作基元：拆解复杂动作

你有没有想过，为什么人类能学会那么多动作？因为我们有“动作基元”。说白了，就是把复杂动作拆成一个个小模块。

比如“倒水”这个动作，可以拆成：

• 基元1：移动到水壶位置
• 基元2：抓取壶柄
• 基元3：倾斜壶身
• 基元4：停止倾斜
• 基元5：放回水壶

每个基元都是一个独立的轨迹片段。我习惯用 动态运动基元（DMP） 来建模这些基元。

3.3 DMP：动态运动基元

DMP 是我个人非常喜欢的一个工具。它的核心思想很简单：用一个二阶动力系统来生成轨迹，再加一个非线性项来“塑形”。

公式长这样：

τ² * ÿ = α_y * (β_y * (g - y) - ẏ) + f(x)

其中：
- y：位置
- ẏ：速度
- ÿ：加速度
- g：目标位置
- τ：时间缩放因子
- α_y, β_y：阻尼和刚度系数
- f(x)：非线性强迫项

为什么用这个？因为 DMP 有几个好特性：

• 收敛性保证：不管你怎么调，最终都会到达目标 g
• 时间缩放：改变 τ 就能加速或减速，轨迹形状不变
• 空间缩放：改变 g 就能改变终点，轨迹自动适应
• 可泛化：学一次，就能用在类似任务上

我曾经踩过一个坑：用 DMP 复现一个快速挥臂动作，结果末端速度曲线出现了振荡。后来发现是阻尼系数 α_y 设得太小了。嗯，调参的时候要记住：阻尼越大，轨迹越平滑，但响应也越慢。

3.4 ProMP：概率运动基元

DMP 有个问题：它只给出了一条确定的轨迹。但实际中，同一个动作每次做都会有细微差异。比如你拿杯子，每次手的路径都不完全一样。

ProMP 就是来解决这个问题的。它把轨迹建模成概率分布：

y(t) = Φ(t)ᵀ * w + ε_y

其中：
- Φ(t)：基函数矩阵（通常用高斯或B样条）
- w：权重向量（服从高斯分布）
- ε_y：观测噪声

说白了，ProMP 学到的不是一条轨迹，而是一簇轨迹的分布。你可以从中采样，得到不同的变体。

特性	DMP	ProMP
输出形式	确定轨迹	轨迹分布
变体生成	需手动调参	自动采样
条件生成	不支持	支持（给定中间点）
计算复杂度	低	中等

3.5 知识体系结构图

下面这张图，是我梳理的本章知识脉络。你可以把它当作一个“地图”，方便理解各个概念之间的关系。

3.6 实践建议

最后，给几个我自己的实践建议：

1. 新手先从 DMP 入手。它简单、稳定、调试方便。ProMP 虽然强大，但调参复杂，容易出问题。
2. 关节空间和任务空间要灵活切换。我一般用任务空间做示教，用关节空间做执行。这样既直观又高效。
3. 动作基元不要分得太细。我见过有人把“拿起杯子”拆成20个基元，结果组合起来反而更不稳定。一般3-5个基元就够了。
4. 数据采集时多录几条轨迹。ProMP 需要至少5-10条示范才能学到像样的分布。如果条件不允许，可以用 DMP 加随机噪声来扩充数据。

好了，这一章就到这里。动作表示和编码是具身智能的“语言”，掌握了它，你就能让机器人听懂你的指令，做出你想要的动作。