学习环境动力学：构建模拟外力的内部模型

运动适应通常通过高度受限任务中的肢体扰动进行研究。然而，日常行为要求个体在冗余的执行空间内，对作用于被操作物体且具有不确定性的环境动力学进行补偿；在这种空间中，多种变量组合均可实现成功。为探究这一问题，我们设计了一项新型虚拟现实任务，要求参与者将球投掷穿过横向水流，使其到达空间位置各异的目标。两项实验分别采用 2.0 m/s 和 3.0 m/s 的水流速度，以检验经典适应特征是否在不同扰动幅度下保持一致。结果揭示了三个关键特征。首先，参与者在训练过程中对所有目标的误差均表现出显著而稳定的降低。其次，组间分析表明，这种学习能够立即且显著地迁移至未经训练的目标位置。最后，尽管明确的线索表明扰动已经消失，移除扰动后仍出现了持续性的运动后效应。总体而言，这些结果表明，人类能够在改变的投射物—环境动力学条件下形成内部模型，并且既往经验能够促进该模型在整个操作空间内的广泛泛化。

运动适应通常通过在高度受限任务中施加基于肢体的扰动来研究。然而，日常行为要求个体在冗余的执行空间中，对影响被操控物体的具有不确定性的环境动力学进行补偿；在这种空间中，多种变量组合均可实现成功操作。为探究这一问题，我们设计了一项新型虚拟现实任务：参与者需要使一个球横向穿过水流，投向空间位置彼此不同的目标。两项实验分别采用 2.0 m/s 和 3.0 m/s 的水流速度，以检验经典适应特征是否会在不同扰动幅度下保持一致。

结果揭示了三个关键特征。首先，在训练过程中，参与者对所有目标的误差均表现出显著且稳定的降低。其次，受试者间分析显示，这种学习能够即时、大幅度地迁移至未经训练的目标位置。最后，尽管明确提示扰动已不存在，在移除扰动后仍出现了持久的运动后效应。总体而言，这些结果表明，人类能够在投射物—环境动力学发生改变的条件下形成内部模型，并且先前的经验能够促进其在整个操作空间中的广泛泛化。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.17.751840v1?rss=1

🏷️ 运动适应 内部模型 环境动力学 虚拟现实任务 运动泛化