第16章 属性之间的动态关系
对象的属性不是彼此孤立存在的。一个属性发生变化，往往会引起另一个属性发生变化；多个属性同时变化，又会共同改变对象的状态。因此，真正的认知对象不是“属性值的集合”，而是“属性及其变化关系的动态系统”。
上一章讨论了属性本身的动态性。
我们已经知道：
Attribute
↓
Value
State
Change
Rate
Trend这说明一个属性不能只用一个固定数值表示。
但是，仅仅知道单个属性如何变化还不够。
因为现实中的对象很少只有一个属性在独立变化。
一个鸡蛋被抓取时，压力发生变化，摩擦发生变化，接触面积发生变化，滑移状态发生变化，蛋壳受到的形变也可能发生变化。
这些变化并不是五组互不相关的数据。
它们共同描述着：
“当前这个鸡蛋正在经历什么状态。”
因此，认知系统必须从：
属性值进一步进入：
属性变化再进入：
属性之间的变化关系最终形成：
对象动态状态这就是本章要建立的理论。
16.1 从单一属性到属性关系
假设一个对象具有四个属性：
Pressure
Friction
Slip
Deformation分别表示：
压力
摩擦
滑移
形变如果采用传统的静态数据结构，可以简单表示为：
Object
├── Pressure = 2.0
├── Friction = 0.8
├── Slip = 0
└── Deformation = 0.1这种结构可以描述对象当前的一组数据。
但是，它无法直接回答一个更加重要的问题：
这些属性之间发生了什么？
例如：
Pressure ↑
Slip ↑和：
Pressure ↑
Slip ↓虽然都有：
Pressure ↑但是它们表达的对象状态完全不同。
第一种可能表示：
压力增加，但对象仍然开始滑移。
第二种可能表示：
压力增加以后，抓取稳定性提高。
因此：
属性值本身不是完整的认知信息，属性变化之间的关系同样属于认知信息。
可以表示为：
属性
↓
属性值
↓
属性变化
↓
变化之间的关系
↓
认知意义16.2 属性变化不是独立事件
现实世界中，属性变化往往存在三种基本情况。
第一种：独立变化
例如一个物体的温度发生变化，而其他相关属性暂时没有明显变化。
可以表示：
A ↑而：
B ≈ constant
C ≈ constant这种情况下，A 的变化可以暂时独立分析。
第二种：伴随变化
两个属性同时发生变化。
例如：
Pressure ↑
Deformation ↑这时候系统应该记录：
Pressure.Change
Deformation.Change但是仍然不能直接认为：
压力导致了形变。
因为同时发生变化并不等于因果关系。
因此工程系统首先应该记录：
co-change即：
共同变化。
第三种：相互影响
如果经过连续观察发现：
Pressure ↑
↓
Deformation ↑并且这种关系在多个状态下持续出现，那么系统可以进一步形成：
Pressure
↓
Influence
↓
Deformation这里就从：
共同变化进入：
影响关系这一区分非常重要。
16.3 属性关系的基本层级
属性关系不能一开始就直接定义为“因果关系”。
更合理的认知形成过程应该是：
属性
↓
变化
↓
共同变化
↓
关联
↓
影响
↓
可能的因果关系因此可以建立一个属性关系层级：
Value
↓
Change
↓
Co-change
↓
Correlation
↓
Influence
↓
Causal Hypothesis其中：
Value
表示属性当前是什么值。
Change
表示属性发生了什么变化。
Co-change
表示两个或多个属性是否共同变化。
Correlation
表示变化之间是否具有稳定关联。
Influence
表示一个属性变化是否可能影响另一个属性。
Causal Hypothesis
表示系统形成的因果假设。
这样可以避免认知系统过早地把“同时发生”错误地判断为“因果”。
16.4 属性变化的时间关系
属性关系不仅仅是数值关系，还具有时间关系。
例如：
t1：Pressure ↑
t2：Slip ↑与：
t1：Slip ↑
t2：Pressure ↑含义并不一样。
因为：
时间顺序本身就是认知信息。
因此动态属性关系至少需要考虑：
Value
Change
Time
Direction
Magnitude
Duration
Sequence可以抽象成：
AttributeChange
=
Value
+
Direction
+
Magnitude
+
Time
+
Duration而两个属性之间的动态关系可以进一步表示为：
Relation(A, B)
=
Change(A)
+
Change(B)
+
Time(A)
+
Time(B)
+
Sequence这意味着：
认知系统判断的不是两个属性“有没有关系”，而是两个属性“在什么时间、以什么方向、以什么幅度、按照什么顺序发生变化”。
16.5 属性变化的方向关系
属性之间可能存在不同方向关系。
例如：
Pressure ↑
Slip ↓可以表现为一种反向变化关系。
而：
Pressure ↑
Deformation ↑则表现为同向变化关系。
因此可以首先建立一个简单的变化关系：
Same Direction
Opposite Direction
No Clear Relation即：
同向
反向
不明确但实际认知系统不能只停留在“↑”和“↓”。
还必须考虑：
变化幅度
变化速度
变化持续时间
变化延迟例如：
Pressure +5%
Deformation +1%与：
Pressure +5%
Deformation +30%虽然方向相同，但是认知意义明显不同。
16.6 属性之间的关联
当两个属性经常表现出稳定的共同变化模式时，可以形成：
属性关联。
例如某个物体在多个抓取过程中都出现：
压力增加
↓
接触面积增加
↓
摩擦力增加
↓
滑移减少那么系统就可以逐渐形成：
Pressure
↕
Contact Area
↕
Friction
↕
Slip注意，这里的：
↕并不立即表示严格因果。
它首先表示：
这些属性在当前对象与当前任务中具有稳定的动态关联。
这是认知系统非常重要的一步。
因为机器人不需要一开始就知道完整的物理理论。
它首先需要知道：
哪些变化通常会一起出现。
16.7 属性之间的影响
当系统积累了足够的动态观察后，可以进一步建立影响关系。
例如：
Pressure ↑
↓
Deformation ↑或者：
Pressure ↑
↓
Contact Force ↑
↓
Slip ↓这时候系统已经不再只是记录数据。
而是在形成：
Dynamic Relation Model即：
动态关系模型。
可以表示为：
A
↓
Change(A)
↓
Relation
↓
Change(B)
↓
B这使系统开始具有预测能力。
因为如果当前出现：
Pressure ↑系统就可以根据已有关系判断：
Deformation 可能 ↑
Slip 可能 ↓注意这里使用的是：
可能
而不是：
一定。
因为真实世界的对象状态永远受到多个变量共同影响。
16.8 属性协同变化
这是本章最重要的概念之一。
现实中的复杂对象往往不是：
A → B这么简单。
而是：
A
B
C
D
↓
共同变化
↓
对象状态例如鸡蛋抓取：
Pressure
Friction
Contact Area
Slip
Deformation这些属性共同参与抓取过程。
因此真正需要计算的不是：
Pressure Score
Friction Score
Slip Score
Deformation Score然后分别做判断。
而应该建立：
Pressure(t)
Friction(t)
Slip(t)
Deformation(t)
Contact(t)然后进行：
Dynamic Cooperative Matching即：
动态协同匹配。
16.9 为什么必须协同判断
假设机器人发现：
Pressure = 2单独看这个数值，没有足够的认知意义。
因为：
2N到底是否合适？
取决于：
对象重量
接触面积
摩擦情况
对象材料
对象结构
当前运动状态
滑移情况
形变情况
任务目标因此：
Pressure = 2不是完整认知。
真正的认知应该是：
Pressure = 2
+
Friction = X
+
Slip = Y
+
Deformation = Z
+
ObjectState = S
+
Task = T然后形成：
综合动态状态所以：
一个属性的值通常没有独立的最终意义，它的认知意义来自于它与其他属性、状态、任务和变化之间的关系。
16.10 鸡蛋抓取：从单数据判断转向协同认知
现在重新看机器人抓鸡蛋的问题。
传统测试模式可能是：
实验1：压力 1
实验2：压力 2
实验3：压力 3
实验4：压力 4
……然后不断测试：
哪一个压力值最合适？
这实际上是一个非常低效的思路。
因为真正需要寻找的不是：
最佳压力值而是：
在当前对象、当前接触条件、当前运动状态和当前任务目标下，使对象受损最小，同时保持抓取稳定的动态匹配状态。
因此目标从：
Find Pressure转变为：
Find Optimal Dynamic State也就是：
寻找最优动态状态16.11 最小受损不是单一压力值
鸡蛋抓取时，机器人真正需要优化的是：
Damage → MIN但是：
Damage又不是一个孤立变量。
它可能受到：
Pressure
Friction
Contact Area
Slip
Acceleration
Deformation
Duration等因素共同影响。
因此：
Damage
=
f(
Pressure,
Friction,
Slip,
Deformation,
Motion,
Time,
Object
)这里的 f 不一定需要预先知道。
它可以通过动态认知系统逐步建立。
重要的是：
系统不再把每一个数据看成独立答案，而是寻找数据之间的动态关系。
16.12 从“最小压力”到“最小受损”
这里需要特别区分两个概念。
最小压力
Pressure → MIN并不一定正确。
因为压力太小可能导致：
Slip ↑
Drop Risk ↑最终：
Object Damage ↑最小受损
真正的目标应该是：
Damage → MIN同时满足：
Stability ≥ Threshold
Task Success = TRUE因此可以表示为：
Minimize Damage
Subject To:
Stability sufficient
Task completed也就是说：
不是压力越小越好，而是在能够完成任务的条件下，使对象受到的损伤最小。
这就是动态认知匹配的重要意义。
16.13 动态协同匹配模型
我们可以把这一过程抽象为：
Object
↓
Attributes
↓
Attribute Changes
↓
Relations
↓
Co-change
↓
Influence
↓
Dynamic State
↓
Task Matching
↓
Cognitive State进一步可以写成：
C(t)
=
M[
O(t),
A(t),
ΔA(t),
R(t),
T(t),
G
]其中：
O(t) = 对象当前状态
A(t) = 当前属性集合
ΔA(t) = 属性变化
R(t) = 属性之间的动态关系
T(t) = 时间状态
G = 当前目标
M = 动态匹配最终得到：
C(t)即：
当前时刻的认知状态。
16.14 认知不是读取数据，而是解释变化
这是本章需要建立的一个根本观点。
传统系统：
Sensor
↓
Data
↓
Threshold
↓
Action而认知系统应该逐渐变成：
Sensor
↓
Element
↓
Object
↓
Attribute
↓
Change
↓
Relation
↓
Dynamic Matching
↓
Cognition
↓
Action二者的根本区别在于：
传统系统主要读取数据；认知系统需要理解数据之间的动态关系。
16.15 从属性关系到对象状态
当多个属性及其变化关系被综合之后，系统才真正能够形成：
对象动态状态。
例如鸡蛋抓取过程中：
Pressure ↑
Friction ↑
Slip ↓
Deformation ≈ 0系统可以形成：
ObjectState
=
StableGrip而如果出现：
Pressure ↑
Friction ≈ constant
Slip ↑
Deformation ↑则可能形成：
ObjectState
=
GripRisk如果继续变化：
Slip ↑↑
Deformation ↑↑则可能形成：
ObjectState
=
DamageRisk因此：
属性
↓
变化
↓
关系
↓
协同
↓
动态状态这就是对象认知从“数据”走向“状态”的过程。
16.16 对象动态状态不是预先固定的标签
这里还需要进一步区分：
Static Label和：
Dynamic State例如：
Egg是对象身份。
但是：
Stable
Slipping
Compressed
Damaged属于对象当前状态。
同一个鸡蛋：
t1 → Stable
t2 → Slipping
t3 → Compressed
t4 → Damaged对象没有改变：
Egg但是对象状态发生了连续变化。
所以：
对象是相对稳定的认知结构，状态则是对象在特定时间和环境中的动态表现。
16.17 属性关系具有上下文
同一个属性关系，在不同环境下可能产生不同结果。
例如：
Pressure ↑在不同对象上可能产生：
玻璃 → 破裂风险增加
海绵 → 形变增加
钢球 → 几乎没有明显形变
鸡蛋 → 蛋壳损伤风险增加因此：
Pressure → Deformation不是一个脱离对象的绝对规则。
更准确的是：
Object
+
Attribute
+
Context
+
Change
+
Relation共同决定认知。
这意味着未来的认知系统不能只保存：
Pressure → Deformation而应该保存类似：
ObjectType
+
Condition
+
PressureChange
+
ObservedDeformationChange形成情境化动态关系。
16.18 动态关系也是经验
当某种动态关系反复出现时，它就可以进入个体认知系统。
例如机器人经过多次操作发现：
某类鸡蛋
+
某种接触面
+
某种速度
+
某种压力变化经常出现：
Slip ↓
Deformation ≈ 0
Task Success = TRUE那么这个动态关系就不再只是当前数据。
它可以成为：
Experience进入后面的个体认知系统。
于是形成：
动态关系
↓
重复观察
↓
稳定模式
↓
经验
↓
记忆
↓
未来匹配这也说明：
动态关系是连接感知、认知与个体经验的重要桥梁。
16.19 本章建立的理论结构
到这里，我们已经可以把本章的核心结构完整表示出来：
对象
↓
属性
↓
属性值
↓
属性变化
↓
属性之间的共同变化
↓
属性关联
↓
属性影响
↓
属性协同
↓
对象动态状态
↓
动态认知再进一步：
对象动态状态
↓
动态匹配
↓
认知
↓
行为
↓
新的属性变化
↓
新的对象状态因此认知系统不是一个静态计算器，而是一个持续运行的动态系统。
16.20 本章核心结论
本章最终建立五个核心认识。
第一，属性不是孤立的。
Attribute必须放入：
Relation中理解。
第二，变化本身是一种认知信息。
不是只有：
Value有意义。
还必须考虑：
Change
Rate
Trend
Time第三，共同变化不能直接等同于因果。
认知关系应该逐步形成：
Co-change
↓
Correlation
↓
Influence
↓
Causal Hypothesis第四，复杂对象必须进行属性协同认知。
尤其在机器人操作中：
压力
+
摩擦
+
滑移
+
形变
+
运动
+
时间必须作为动态协同数据进行综合判断。
第五，真正需要寻找的不是某一个最优参数，而是对象的最优动态状态。
因此：
Pressure → MIN并不是最终目标。
真正的目标是：
Damage → MIN同时满足：
Task Success
+
Stability最终形成：
属性之间的动态关系，是从“对象具有什么”进入“对象正在发生什么”的关键一步；而对象正在发生什么，才是动态认知真正需要理解的内容。
下一章将进入：
第17章 对象动态状态
重点解决：
当多个属性持续变化并形成协同关系之后，认知系统究竟如何定义、识别和更新“对象当前处于什么状态”。