文献集总览 / 运动控制、内模型、最优反馈与目标拦截 / C · 最优反馈控制（10 篇） / C03 · 感觉运动控制的最优性原则

C03 · Optimality principles in sensorimotor control

Emanuel Todorov (2004) Nature Neuroscience, 7, 907–915. doi:10.1038/nn1309

综述把优化对象从预定运动扩展到反馈控制律，解释任务相关纠正、结构化变异及协同。最优性依赖明确的任务、噪声和代价假设，低维模型分解不等于已经发现对应的神经模块。

核对版本：Zotero motor_control_interception_64 集合本地全文（PDF 全文提取，图注与正文互相校订，2026-09-18；图注所标页码均为 PDF 文件页序，非期刊印刷页码）；Zotero 条目。

本文目录

背景

不同优化准则可产生相似平均轨迹，却预测不同的扰动反应和变异。本文讨论如何用最优控制原则组织这些现象，并说明其计算与生物实现的距离。

比较开环运动优化与反馈律优化，再讨论状态估计、速度—精度关系、冗余及协同，最后提出分层实现和学习问题。

文章是理论综述，引用既有行为、肌电及生理工作，并使用教学模型和仿真。图3的三质点系统含12维状态、5维控制，将时间平均后的控制矩阵作SVD分解，用线性网络显示计算结构。

卡尔曼滤波是特定假设下的估计方法，不能将一切前向模型或最优估计器都直接等同于标准卡尔曼滤波。成本函数、噪声和动力学的选择决定最优解，需要与实际任务相匹配。

当任务允许多种等效解、控制又有成本时，模型可较少纠正不影响绩效的偏差，形成任务相关变异。若任务明确要求追踪轨迹，轨迹误差本身就是成本；因此不能把“轨迹跟踪总是次优”推广到所有行为。

变异各向异性也可能来自信号依赖噪声及力学，不能看到协方差椭圆就认定存在最小干预。相应地，PCA得到低维肌电结构并不唯一证明固定神经协同。

图3中平均控制矩阵把12维状态压缩为两个特征，再生成5个控制信号。该特定系统的对称性使部分致动器协同，展示低维结构可以从任务和力学产生，未证明所有动物控制都只有两个特征。

文中提出costate可能与M1输出关联，并讨论层级控制如何降低求解复杂度。它们是实现假说，不能把costate普遍简化为固定的速度—加速度混合，再用负载条件作非此即彼的判定。

原文 Fig. 1 · PDF 第 4 页

图1 · 优化与执行。 A对比优化预定运动和优化反馈控制器，B为执行时的估计—控制回路。原先缺失的A面板需恢复，才能完整呈现文章的概念区别。

原文 Fig. 2 · PDF 第 5 页

图2 · 最小干预的简化例子。 任务约束两个变量之和，控制对任务相关方向更敏感。协方差形状来自所设成本、动力学和噪声，不能脱离这些条件直接用于任何任务。

原文 Fig. 3 · PDF 第 6 页

图3 · 低秩控制的模拟。 A为被控对象与控制回路，B为SVD得到的权重，C为5次模拟轨迹。WM有5个输出行、2个协同列，不是五列协同；这是一种矩阵表示，不是神经连接测量。

最优性框架应提供可被新数据推翻的预测。事后自由选择代价会削弱判别力；更有说服力的做法是独立估计一部分参数，并预测目标、噪声或负载改变后的行为。

理论的计算层解释与神经动力学描述可以兼容，但这种兼容性本身不确认某种实现。任务改变时权重合理变化也不自动否定模型，关键是变化规则是否事先明确。