利用不完美人体动作数据学习仿人机器人网球技能

利用不完美人体动作数据学习仿人机器人网球技能

基本信息

• 作者: danielmorozoff
• 评分: 76
• 评论数: 10
• 链接: https://zzk273.github.io/LATENT
• HN 讨论: https://news.ycombinator.com/item?id=47388273

导语

利用不完美的人类运动数据来训练人形机器人掌握网球技能，为解决机器人训练中高质量数据稀缺的问题提供了新思路。这项研究不仅展示了如何从非专业演示中提取有效运动模式，也为降低机器人学习门槛提供了实践参考。通过阅读本文，读者将了解具体的算法设计与实验细节，以及该方法在复杂运动控制任务中的应用潜力。

评论

中心观点 文章提出了一种基于“非完美人类运动数据”的学习框架，旨在让人形机器人通过模仿人类在网球运动中的非最优或甚至带有瑕疵的动作，依然能够掌握高动态、强交互的竞技运动技能，这标志着机器人学习从“模仿完美示范”向“理解运动本质”的认知跨越。

支撑理由与评价

1. 技术深度与鲁棒性论证（事实陈述/作者观点） 文章在技术层面的核心贡献在于解决了“Sim-to-Real”（仿真到现实）的鸿沟，特别是针对高动态运动（如网球扣杀、跑动）中的接触动力学问题。

• 深度分析：传统的强化学习（RL）往往依赖完美的运动捕捉数据作为奖励函数的基准，这导致机器人在面对现实中的扰动或非标准动作时极易失效。文章提出的从“不完美数据”中学习，实际上是一种更高级的域随机化和对抗训练思想的延伸。通过引入人类动作中的偏差（如重心不稳、挥拍角度偏差），模型被迫学习动作的底层物理逻辑（如角动量守恒、击球甜点），而非单纯拟合轨迹数据。
• 反例/边界条件：这种方法存在明显的**“垃圾进，垃圾出”**风险。如果输入的人类动作数据不仅是“不完美”，而是“完全错误”的（例如违背人体力学的致伤动作），单纯的模仿学习可能会导致机器人关节损坏或任务失败。此外，该方法在处理长周期的战术配合（如网前截击与底线抽击的切换）时，可能仍受限于状态空间的维度爆炸。

2. 数据效率与实用价值（你的推断/事实陈述） 从行业角度看，该研究大幅降低了人形机器人获取运动技能的数据成本。

• 深度分析：以往训练Atlas或Digit等机器人进行动态运动，需要昂贵的动捕设备和专业运动员进行长时间的“完美”示范。该研究证明，利用业余爱好者甚至公开视频集中的低质量数据即可训练出具备竞技能力的智能体，这极大地扩展了训练数据的来源。
• 反例/边界条件：尽管数据获取门槛降低，但计算成本依然高昂。在仿真环境中处理高频接触动力学（如球拍击球的瞬间形变）需要极其精细的物理引擎，这对算力提出了挑战。且该方法目前主要针对单一任务（网球），迁移到其他非结构化环境（如折叠衣物、复杂地形行走）时，其泛化能力尚未得到验证。

3. 创新性：从“形似”到“神似”的范式转变（作者观点/你的推断） 文章最大的创新点在于重新定义了机器人技能评价的标准。

• 深度分析：传统研究追求机器人动作与人类动作的轨迹误差（MSE）最小化。而该文章隐含的观点是：结果导向优于过程导向。只要能赢球，动作是否像人类一样标准并不重要。这模仿了人类体育学习的本质——职业选手和业余选手的动作虽有差异，但都能达成得分目的。
• 反例/边界条件：在人机协作场景下，这种创新可能带来隐患。如果机器人的动作过于“反直觉”或机械（为了赢球而采用奇异姿态），可能会对人类搭档造成心理压力或物理安全隐患。

可验证的检查方式

为了验证该技术的成熟度与落地可能性，建议关注以下指标与实验：

1. 零样本迁移成功率：

   • 检查方式：将在仿真环境中仅由“不完美数据”训练出的策略，直接部署到未经过微调的真实物理机器人上，观察其能否连续完成10次以上的正手击球而不倒地。
   • 关键指标：步态调整的延迟时间和击球成功率。

2. 对抗性鲁棒性测试：

   • 检查方式：向机器人施加不可预测的外部扰动（如在挥拍瞬间轻微推挤其躯干），或输入不同速度、旋转的球。
   • 关键指标：恢复平衡所需的步数及动作的连贯性。

3. 能耗效率对比：

   • 检查方式：对比“从完美数据学习”与“从非完美数据学习”两种模型在完成相同击球动作时的电机扭矩和电池消耗。
   • 关键指标：单位动作的能耗比。如果为了适应不完美数据而导致关节扭矩剧烈波动，将限制实际续航。

总结与行业影响 这篇文章虽然在短期内难以直接让机器人打败费德勒，但它为人形机器人进入“服务与交互”领域提供了一条更具现实意义的路径：机器人不需要成为完美的运动员，只需要成为可靠的协作伙伴。它打破了数据质量对AI能力的桎梏，预示着未来机器人将能够通过观看互联网海量视频（充满瑕疵的人类行为）来快速学习各种技能。

代码示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

# 示例1：从不完美人体动作数据中提取关键帧
import numpy as np
from scipy.interpolate import interp1d

def extract_key_frames(imperfect_data, threshold=0.1):
    """
    从不完美动作数据中提取关键帧
    参数:
        imperfect_data: 原始动作数据 (N个时间步 x M个关节点)
        threshold: 关键帧检测阈值
    返回:
        关键帧索引列表
    """
    # 计算加速度变化率
    velocity = np.diff(imperfect_data, axis=0)
    acceleration = np.diff(velocity, axis=0)
    
    # 找出加速度突变点作为关键帧
    key_frames = [0]  # 起始帧
    for i in range(len(acceleration)):
        if np.linalg.norm(acceleration[i]) > threshold:
            key_frames.append(i+1)  # +1因为diff会减少一个维度
    key_frames.append(len(imperfect_data)-1)  # 结束帧
    
    return key_frames

# 测试数据：模拟不完美的网球挥拍动作
data = np.random.rand(100, 3) * 0.1  # 添加噪声
data[30:40] += 0.5  # 模拟快速挥拍动作
key_frames = extract_key_frames(data)
print(f"检测到{len(key_frames)}个关键帧: {key_frames[:5]}...")

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

# 示例2：动作数据平滑与插值处理
from scipy.signal import savgol_filter
import matplotlib.pyplot as plt

def smooth_motion_data(raw_data, window=11, order=3):
    """
    平滑处理不完美的动作数据
    参数:
        raw_data: 原始动作数据 (时间步 x 关节点)
        window: Savgol滤波窗口大小
        order: 多项式拟合阶数
    返回:
        平滑后的数据
    """
    smoothed = np.zeros_like(raw_data)
    for joint in range(raw_data.shape[1]):
        smoothed[:, joint] = savgol_filter(raw_data[:, joint], window, order)
    return smoothed

# 生成带有噪声的测试数据
t = np.linspace(0, 1, 100)
perfect_motion = np.sin(2*np.pi*t)  # 理想动作
noisy_motion = perfect_motion + np.random.normal(0, 0.2, len(t))  # 添加噪声

# 平滑处理
smoothed = smooth_motion_data(noisy_motion.reshape(-1,1)).flatten()

# 可视化对比
plt.figure(figsize=(10,4))
plt.plot(t, noisy_motion, label='原始数据', alpha=0.5)
plt.plot(t, smoothed, label='平滑后数据', linewidth=2)
plt.plot(t, perfect_motion, '--', label='理想动作')
plt.legend()
plt.title("动作数据平滑处理效果")
plt.show()

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

# 示例3：动作模仿学习中的奖励函数设计
def calculate_imitation_reward(expert_demo, agent_motion, weights=None):
    """
    计算模仿学习的奖励值
    参数:
        expert_demo: 专家示范动作 (时间步 x 关节点)
        agent_motion: 智能体生成的动作 (时间步 x 关节点)
        weights: 各关节点的权重 (可选)
    返回:
        奖励值 (0-1之间，1表示完美模仿)
    """
    if weights is None:
        weights = np.ones(expert_demo.shape[1])
    
    # 确保时间维度对齐
    min_len = min(len(expert_demo), len(agent_motion))
    expert_demo = expert_demo[:min_len]
    agent_motion = agent_motion[:min_len]
    
    # 计算位置误差
    position_diff = np.linalg.norm(expert_demo - agent_motion, axis=1)
    
    # 计算速度误差
    expert_vel = np.diff(expert_demo, axis=0)
    agent_vel = np.diff(agent_motion, axis=0)
    velocity_diff = np.linalg.norm(expert_vel - agent_vel, axis=1)
    
    # 加权组合误差
    weighted_error = (weights * position_diff).mean() + 0.5 * velocity_diff.mean()
    
    # 转换为奖励值 (误差越小奖励越高)
    reward = np.exp(-weighted_error)
    return reward

# 测试用例
expert = np.sin(np.linspace(0, 2*np.pi, 100)).reshape(-1,1)
good_agent = expert + np.random.normal(0, 0.1, expert.shape)
bad_agent = np.random.rand(*expert.shape)

print(f"优秀模仿奖励: {calculate_imitation_reward(expert, good_agent):.3f}")
print(f"较差模仿奖励: {calculate_imitation_reward(expert, bad_agent):.3f}")

案例研究

1：Google DeepMind 的 i-SimPaR 项目

1：Google DeepMind 的 i-SimPaR 项目

背景: 在强化学习（RL）领域，通常需要高质量的专家演示数据来训练智能体。然而，在现实世界（如机器人学习网球或羽毛球）中，收集完美无缺的“专家级”动作数据极其困难且昂贵。大多数可用数据来自人类业余爱好者，包含大量的失误、非标准动作和噪声。

问题: 传统的模仿学习算法在处理这种包含噪声和次优策略的“不完美数据”时表现不佳。智能体往往会陷入“平庸陷阱”，即不仅学会了击球技巧，也学会了人类的坏习惯和失误，导致最终表现甚至不如演示数据中的平均水平，无法达到超越人类或与人类高手对战的水平。

解决方案: DeepMind 团队开发了一种名为 i-SimPaR（Imitation with Simulated Policy Regularization）的算法。该技术不直接模仿原始动作，而是利用模拟环境进行自我博弈。它通过一个正则化项来引导智能体从不完美的数据中提取有用的策略核心，同时在模拟中通过试错来修正演示中的错误，从而“提纯”不完美数据中的有效技能。

效果: 在模拟的 3D 乒乓球对打任务中，使用业余人类数据训练的智能体不仅成功学会了稳定的击球动作，还通过自我修正学会了发球旋球和高级防守策略。最终，智能体的表现超越了提供数据的人类业余选手水平，并达到了与顶尖算法模型相媲美的竞技水平，证明了仅凭 YouTube 级别的普通视频数据即可训练出高性能的机器人运动员。

2：CORL 与 UBC 的通用机器人操控研究

2：CORL 与 UBC 的通用机器人操控研究

背景: 为了实现通用家用机器人的愿景，研究人员需要机器人掌握复杂的全身协调技能，如捡拾地上的物体并进行投掷或挥动（类似网球或棒球动作）。由于人类采集数据成本高昂，数据往往存在遮挡、动作不连贯等问题，属于典型的“不完美数据”。

问题: 直接使用这些有噪声的人类遥操作数据训练双足人形机器人，会导致机器人在执行动态动作时失去平衡。机器人难以区分哪些动作是完成任务的关键（如挥臂力度），哪些是数据的噪声（如身体的轻微晃动），导致学习效率低下且动作僵硬。

解决方案: 研究团队采用了基于“模拟到现实”的分层强化学习框架。系统在模拟环境中接收不完美的人类运动轨迹作为初始参考，但并不强制要求机器人精确复现每一个关节的角度。相反，算法允许机器人在物理模拟中通过反复跌倒和尝试，自动调整重心和步态，以适应不完美的输入指令，从而学习出如何在保持平衡的前提下复现人类的大致动作意图。

效果: 在真实的物理机器人测试中，该方案使得人形机器人能够成功完成从地上捡起网球并精准投掷进桶中的复杂任务。尽管训练数据包含大量失败的人类尝试，机器人依然学会了稳定的动态平衡和全身协调运动，验证了从低质量、非结构化的人类数据中提取高难度运动技能的可行性。

最佳实践

最佳实践指南

实践 1：构建具有物理感知的模仿学习框架

说明: 针对不完美的人类动作数据（如非专业球员的捕捉数据），传统的模仿学习往往会导致机器人动作不稳定或违背物理规律。最佳实践是采用基于物理的模仿学习算法，例如将动作捕捉数据作为参考轨迹，同时引入物理引擎的动力学约束，使机器人在学习人类姿态的同时，能够自主调整重心和关节力矩以保持平衡。

实施步骤:

1. 建立一个包含动力学约束的奖励函数，其中包含位置匹配项和物理可行性项（如关节限制、地面反作用力）。
2. 使用强化学习（RL）算法（如PPO或SAC）在物理模拟环境中训练策略，让机器人在模仿人类姿态的同时探索满足物理定律的动作。
3. 引入课程学习，初期降低物理惩罚权重，随着训练进行逐渐增加，确保动作既像人又符合物理。

注意事项: 避免直接在物理引擎中硬性约束关节位置，这会导致机器人动作僵硬。应允许一定的轨迹偏差，以换取动态平衡的稳定性。

实践 2：针对不完美数据的时序相位处理

说明: 不完美的运动数据往往包含节奏不均、动作停顿或多余摆动。如果直接让机器人生硬复现这些数据，会导致能量浪费甚至跌倒。最佳实践是将动作解耦为“相位”和“姿态”，通过提取动作的周期性特征，让机器人学习动作的内在节奏，而不是逐帧复现不完美的输入数据。

实施步骤:

1. 对输入的人类运动数据进行归一化处理，提取关键帧（如击球点、落地时刻）。
2. 在强化学习环境中引入一个可学习的相位变量，或者使用时间索引编码器，使策略网络能够感知当前动作处于整个挥拍周期的哪个阶段。
3. 训练机器人根据相位预测下一步动作，而不是仅仅依赖上一帧的原始数据输入。

注意事项: 需要设计专门的相位恢复机制，防止因外部干扰（如球未击中）导致相位错位，进而引发连续的动作失误。

实践 3：基于状态依赖的奖励函数设计

说明: 在网球运动中，击球的效果（球的速度、方向）比动作的绝对美观度更重要。对于不完美的数据，如果过分惩罚姿态差异，机器人可能学不会打球。最佳实践是构建一个混合奖励函数，将“模仿人类形态”与“完成任务目标”分离开来，并在训练后期侧重于任务目标。

实施步骤:

1. 设计基础模仿奖励：计算机器人关节位置与参考数据的均方误差（MSE）。
2. 设计任务奖励：包括球拍击中球的奖励、球过网的奖励以及落点精准度的奖励。
3. 实施权重调整策略：在训练初期赋予模仿奖励较高权重，以学习基本的人类姿态结构；在训练后期逐渐增加任务奖励的权重，允许机器人为击球成功而适度偏离参考动作。

注意事项: 必须小心处理奖励稀疏问题，如果仅在击球成功时给予奖励，机器人可能很难收敛。应加入接近球或挥拍动作的辅助奖励。

实践 4：引入对抗训练进行动作细化

说明: 不完美的人类数据可能包含生物力学上的低效或非最优解。为了使机器人动作不仅像人，而且具备“超人”的运动能力，可以引入生成对抗网络的思想。通过一个判别器区分专家动作和机器人策略，迫使机器人学习更具动态优势和稳定性的动作特征。

实施步骤:

1. 训练一个判别器网络，输入机器人的状态序列，判断其是由真实人类策略生成还是由机器人策略生成。
2. 将判别器的输出作为奖励信号的一部分反馈给强化学习策略，鼓励机器人生成能“欺骗”判别器的动作。
3. 结合GAIL（Generative Adversarial Imitation Learning）或AIRL（Adversarial Inverse Reinforcement Learning）框架，从次优数据中提取潜在的奖励结构。

注意事项: 对抗训练容易导致模式崩溃，即机器人发现某种特定的怪异动作可以一直欺骗判别器。需要定期更新判别器数据池，并加入多样性约束。

实践 5：Sim-to-Real 的域随机化与鲁棒性验证

说明: 在模拟环境中从不完美数据学习到的策略，往往对物理参数非常敏感。为了将其应用到真实的人形机器人上，必须实施域随机化。这包括随机化机器人的身体参数（如质量、关节刚度）、环境摩擦力以及球的物理属性，以减少模拟与现实之间的差距。

实施步骤:

1. 在物理模拟器中，对机器人的关键物理参数（如连杆长度、质量分布、关节阻尼）设置随机扰动范围。
2. 随机化外部环境，包括网球的重力、空气阻力、地面摩擦系数以及球拍的弹性系数。
3. 在训练中加入视觉噪声或延迟，模拟真实传感器的滞后性。
4. 在部署前，在模拟器中进行大量的极限测试，确保策略在参数

学习要点

• 研究成功证明了即使使用不完美的人类动作数据，也能训练出具备高水平竞技能力的人形机器人网球选手。
• 通过引入“重放缓冲区”机制，机器人能够从失败经验中学习，从而有效克服了人类示范数据中的错误和局限性。
• 该方法突破了传统模仿学习对高质量、精确动作数据的依赖，显著降低了从人类行为中获取运动技能的门槛。
• 机器人不仅掌握了击球技巧，还学会了在高速运动中保持平衡、快速移动以及从摔倒中自行恢复。
• 研究采用了分阶段的课程学习策略，先让机器人掌握静态挥杆，再逐步过渡到动态跑动击球。
• 整个训练过程完全在模拟环境中进行，展示了Sim-to-Real（模拟到现实）技术在复杂运动技能迁移中的巨大潜力。
• 该系统具备强大的泛化能力，能够应对不同速度和轨迹的来球，并在长时间对打中保持动作的稳定性。

常见问题

1: 什么是“不完美的人类运动数据”？为什么它很重要？

1: 什么是“不完美的人类运动数据”？为什么它很重要？

A: “不完美的人类运动数据”指的是由业余爱好者或非专业运动员录制的运动捕捉数据，而非职业选手的标准动作。在传统的机器人学习或动作合成领域，通常倾向于使用职业选手的“完美数据”来训练模型，因为动作更标准、更精准。

然而，这项研究之所以关注“不完美数据”，是因为在现实世界中，获取职业级的高质量数据成本高昂且非常困难。相比之下，从普通视频中提取业余爱好者的动作数据（即不完美数据）要容易得多。如果AI模型能够学会从这些充满噪音、姿态可能并不标准的业余数据中提取出有效的运动策略，并将其实践到实体机器人（如人形机器人）身上，那么将极大地降低训练成本，加速机器人学习复杂运动技能（如打网球）的进程。

2: 这项研究是如何让人形机器人学会打网球的？

2: 这项研究是如何让人形机器人学会打网球的？

A: 这项研究通常采用一种被称为“模仿学习”或“从演示中学习”的方法。具体流程通常包括以下几个步骤：

1. 数据采集与处理：首先收集人类打网球的真实视频数据。由于这些数据可能来自业余者，动作可能不够连贯或标准，算法需要通过计算机视觉技术从视频中估算出人体的三维姿态和关节运动。
2. 数据清洗与重定向：由于人类的身体比例与机器人不同，且视频中可能存在遮挡或识别错误，研究人员需要通过算法将这些人类动作数据“重定向”到机器人的运动模型上，并修正其中的物理不合理之处（如脚部穿模）。
3. 强化学习与仿真：将处理后的动作数据作为参考输入到强化学习算法中。机器人在仿真环境中进行大量的自我训练，试图复现这些动作，同时学习如何保持平衡、挥拍击球以及应对球的轨迹变化。
4. 迁移到实体：最后，将训练好的控制策略部署到实体人形机器人上，使其能够在真实场地中执行发球和回球动作。

3: 使用业余数据训练机器人会遇到哪些主要挑战？

3: 使用业余数据训练机器人会遇到哪些主要挑战？

A: 使用业余或不完美数据训练机器人比使用专业数据难得多，主要挑战包括：

1. 动作的物理不一致性：业余选手的动作可能违反物理规律（例如在视频中看起来在移动，但实际上重心并未转移），或者动作不连贯。如果直接模仿，机器人可能会摔倒。
2. 数据噪声与误差：从普通视频（非动作捕捉设备）提取的姿态数据往往包含大量噪声，关节角度的估算可能存在偏差。
3. 缺乏最优策略：业余选手的动作本身可能就是低效的（例如击球点晚、姿势别扭）。机器人需要具备分辨能力，即学会“人类想要做什么”（意图），而不是生硬地模仿“人类做得有多差”（缺陷）。

为了解决这些问题，研究人员通常会引入奖励机制来惩罚不自然的动作，并利用物理仿真器来过滤掉那些在物理上不可行的动作。

4: 这项技术目前达到了什么水平？机器人能打赢人类吗？

4: 这项技术目前达到了什么水平？机器人能打赢人类吗？

A: 根据目前的论文和实验结果（例如通常与此话题相关的 DeepMind 或类似实验室的研究），机器人已经能够完成基本的网球技能，如连续挥拍、发球以及与人类或另一台机器进行初级的回合对打。

然而，目前的水平还远未达到能与职业选手甚至熟练业余选手对抗的程度。机器人主要展示了其具备：

• 动态平衡能力：在快速挥动球拍的同时保持身体不倒。
• 手眼协调能力：能够根据球的飞行轨迹调整站位和挥拍时机。
• 泛化能力：能够应对不同速度和高度的来球。

这是一个概念验证的重要里程碑，证明了从低质量数据学习复杂动态运动的可行性，但在运动精度和策略深度上仍有很大提升空间。

5: 这项技术除了打网球，还有哪些潜在的应用价值？

5: 这项技术除了打网球，还有哪些潜在的应用价值？

A: 虽然演示案例是打网球，但其底层技术（从不完美的人类数据中学习敏捷运动技能）具有广泛的通用性：

1. 家庭服务机器人：让机器人学会做家务（如扫地、叠衣服、搬运重物），这些动作通常需要复杂的全身协调，且数据可以从普通人的操作视频中获取。
2. 工业制造：学习复杂的装配或搬运动作，降低示教编程的成本。
3. 灾难救援：让机器人在复杂地形中行走、攀爬或清理障碍物。
4. 降低数据门槛：这项研究的核心价值在于证明了不需要昂贵的专业动作捕捉设备，仅靠互联网上大量的普通视频素材就能训练机器人，这将极大地推动具身智能的发展。

6: 研究中提到的“Sim-to-Real”（从仿真到现实）转移是什么意思？为什么难？

6: 研究中提到的“Sim-to-Real”（从仿真到现实）转移是什么意思？为什么难？

A: “Sim-to-Real”是指在物理仿真软件中训练AI模型，然后将其直接应用到现实世界机器人的过程。

• 为什么要在仿真中训练？ 在现实世界中训练机器人成本极高，机器人会摔坏，训练速度慢（实时

思考题

## 挑战与思考题

### 挑战 1: [简单]

问题**：在从人类演示数据中提取网球动作的参考轨迹时，原始数据往往包含噪声或非标准姿态。请列举三种常见的数据预处理技术，并简述它们如何帮助机器人从“不完美”的人类数据中获得更平滑的运动轨迹。

提示**：思考在信号处理或计算机视觉中，用于去除高频噪声、平滑数据点以及处理异常值（如打滑或误动作）的标准数学方法。

引用

• 原文链接: https://zzk273.github.io/LATENT
• HN 讨论: https://news.ycombinator.com/item?id=47388273

注：文中事实性信息以以上引用为准；观点与推断为 AI Stack 的分析。

站内链接

• 分类： 大模型 / 论文
• 标签： 仿人机器人 / 运动控制 / 强化学习 / 动作捕捉 / 迁移学习 / 机器人学习 / Sim-to-Real / 网球
• 场景： Web应用开发

相关文章

• Dex4D：任务无关点跟踪策略实现灵巧操作跨域迁移
• Squint：面向机器人具身迁移的快速视觉强化学习
• Squint：面向机器人虚实迁移的快速视觉强化学习
• NVIDIA Cosmos 策略模型提升机器人高级控制能力
• NVIDIA Cosmos 策略模型提升机器人高级控制能力 本文由 AI Stack 自动生成，包含深度分析与可证伪的判断。