身體感知物理先驗於機器人學習：綜覽
為何重要
此篇 survey 完成了該領域的分類學整理，將物理先驗從抽象概念轉化為可落地的技術矩陣（如損失函式與架構設計），對開發者而言是理解「如何在不靠海量資料下讓機器人如人般操作」的重要參考。對產業而言，這標示著機器人控制的下一步將從全黑盒深度學習轉向結合物理法則的混合型模型，有助於提升特定場景（如精密控制）下的安全與效率。
機器人學習因受限於真實世界有限資料與複雜互動，純資料驅動方法在可靠性上仍面臨瓶頸，因此將物理先驗嵌入學習演算法成為解決資料不足的關鍵方向。
- 本文綜覽從單層感知器到生成式基礎模型的相關文獻，並依物理先驗嵌入方式分為三大類別：物理引導的輸入／資料／表徵、編碼物理的模型架構、以及納入損失函式的物理資訊。
- 研究指出，物理先驗能提供機器人特定的「歸納偏置」，不僅提升可解釋性與樣本效率，也能改善模型的通用化能力。
- 綜覽涵蓋應用範疇包括機器人動態學學習、軌跡規劃、預測、控制與估計，並檢視了對應的開源軟體生態系。