Motion Primitive
- 又稱: movement primitive, motor primitive, action primitive, skill primitive
- 類別: Planning & manipulation › Motion planning
- 標籤: motion-planning, manipulation, skills, learning-from-demonstration, task-planning
機器人運動的可重複使用構件，例如參數化技能（移動到某個姿態、打開夾爪）或一段短軌跡，規劃器與策略把它們組合成較長的行為。
定義
運動基元（Motion primitives）把機器人行為拆解成可重複使用、可以串接的單元。系統不必在關節指令層級規劃或學習每一個動作，而是以少數參數（例如目標姿態、夾爪開口寬度或推動方向）呼叫一個基元，由基元產生細部的運動。這個術語涵蓋幾個相關的概念，差別在於基元如何表示，以及由什麼在基元之間做選擇。
在操作與任務規劃中，基元是參數化的技能：移動到某個姿態、抓取、放置、推動、倒出、打開或關閉夾爪。任務規劃器、行為樹或語言模型選出一個序列並填入參數；近期有幾個系統讓語言模型撰寫呼叫這類函式的簡短程式。在運動規劃中，基元是預先計算、符合載具動力學的短軌跡片段，格狀規劃器（lattice planner）在規則的狀態網格上把它們接起來，為汽車、移動機器人與無人機搜尋可行路徑。在示範學習中，運動基元是從範例學到、可以調整的軌跡模型：由 Ijspeert、Nakanishi 與 Schaal 發展的動態運動基元（dynamic movement primitives，DMPs），把一次示範編碼成帶有學習所得強制項的穩定動態系統，讓起點與目標可以改變；機率運動基元（probabilistic movement primitives，ProMPs）則表示軌跡上的一個分布。
核心的取捨在於結構與適用範圍之間。固定的基元庫讓行為可預測、可測試，用來規劃也很快，因為規劃器只需在少數離散選擇與其參數上搜尋。但它也把機器人限制在基元庫能表達的範圍內：接觸豐富、需要即時反應或需要緊密協調的動作，可能需要內建回授的基元，或是學習所得的策略。因此，選擇基元的粒度本身就是一項設計決策。
為何重要
運動基元提供規劃器與語言模型一小組經過測試的動作，讓長時域任務變得可以處理。它們把高層決策與底層控制分開，因此每一層都能單獨開發與驗證。
主要應用
- 由任務規劃器或語言模型驅動的操作
- 為載具與無人機進行以格狀為基礎的運動規劃
- 以動態運動基元進行示範學習
- 呼叫可重複使用技能的行為樹
- 長時域的上架、裝箱與組裝
實際應用
一個打造貨架上架系統的團隊定義了一個基元庫，包含推、掃、插入、抓取並放置等基元，每個基元都實作成一個簡短的控制器，帶有接觸點、方向與距離等參數，每個基元也都有執行前檢查的前置條件，以及依力或位置判定的終止條件。一個學習所得的模型預測物體在每個參數化基元作用下如何移動，規劃器在序列與參數上搜尋，機器人執行第一步後重新規劃。在無人機上，同樣的概念以一個短多項式軌跡庫的形式出現：這些軌跡依末端速度取樣，並在每個規劃週期與障礙物地圖比對檢查。
常見誤解
- 運動基元一定是固定、寫死的軌跡 — 許多基元是參數化的或包含回授，而 DMPs 能在執行時適應新的目標
- 使用基元就代表放棄學習 — 基元常常是從示範中學來的，而且會用學習所得的模型來選擇基元並設定參數
- 只要基元庫夠大，任何任務都能解決 — 需要持續、即時反應之接觸的任務，可能超出離散基元所能表達的範圍，而且基元庫本身也需要設計與維護
誰需要了解
- 建立技能庫的操作工程師
- 使用格狀規劃器的運動規劃工程師
- 從事示範學習的機器人學習研究人員
- 把語言模型或任務規劃器連接到機器人的開發者
相關技術
- 動態運動基元（Dynamic Movement Primitives，DMP）
- 機率運動基元（Probabilistic Movement Primitives，ProMP）
- 狀態格狀規劃器（State Lattice Planner）
- 行為樹（Behavior Trees）
- 任務與運動規劃（Task and Motion Planning）
- 技能庫（Skill Libraries）
相關術語
- Motion Planning
- Trajectory Planning
- Task and Motion Planning
- Task Planning
- Imitation Learning
- Behavior Tree
相關專案
- LeRobot: HuggingFace ML library for real-world robotics in PyTorch
- Isaac Lab: NVIDIA robot learning framework: one task API across Newton, PhysX and Isaac Sim
- NVIDIA Isaac GR00T: NVIDIA open foundation model for humanoid robot reasoning and skills
- OpenVLA: 7B-parameter Vision-Language-Action model for robotic manipulation
- BehaviorTree.CPP: C++ behavior tree library for robot task planning, powering Nav2 and ROS 2 systems
- Drake: MIT robotics toolbox for model-based dynamics, optimization, and control system design