第19章　静态匹配与动态匹配

人的认知不是一次完成的匹配，而是在对象、属性、状态和环境持续变化的过程中不断重新匹配。

第18章建立了“认知匹配”的基本概念。

系统已经能够知道：

对象是什么；
对象具有什么属性；
属性当前处于什么状态；
属性正在发生什么变化；
不同属性之间如何协同变化。

但是，仅仅拥有这些信息，还不能形成真正的认知。

因为认知并不是简单地“知道”。

一个机器人看到一个鸡蛋，知道它是鸡蛋，知道它是椭圆形、表面光滑、质量较轻，这仍然只是对象信息。

当机器人准备抓取它时，真正需要解决的问题变成：

当前这个鸡蛋的状态，与过去形成的知识、当前任务、可执行行为之间是否匹配？

更重要的是，这种匹配不能只发生一次。

鸡蛋没有变化时，匹配可能稳定。

但是，当机械手逐渐增加压力，鸡蛋发生轻微形变，接触面积发生变化，摩擦状态发生变化，鸡蛋开始产生滑移趋势时，原来的匹配就已经不再完全适用。

因此：

认知匹配必须从静态匹配进一步发展为动态匹配。

19.1 静态匹配

静态匹配是最容易理解的一种匹配方式。

它假定：

对象、属性和状态在当前认知时刻基本稳定，因此可以使用当前数据与已有知识进行一次匹配。

例如系统得到：

对象：鸡蛋

颜色：白色
形状：椭圆
重量：50g
表面：光滑
状态：静止

系统可以进行：

当前对象
   ↓
已有对象知识
   ↓
匹配
   ↓
鸡蛋

这就是最基本的静态认知匹配。

19.1.1 静态匹配的基本结构

可以表示为：

Current Object
      ↓
Object Attributes
      ↓
Knowledge
      ↓
Matching
      ↓
Recognition

例如：

当前对象：

形状 = 椭圆
颜色 = 白色
尺寸 = 小
表面 = 光滑

        ↓

知识：

鸡蛋：
形状 = 椭圆
颜色 = 白色
尺寸 = 小
表面 = 光滑

        ↓

匹配

        ↓

对象 = 鸡蛋

这里的核心是：

当前状态与已有对象描述之间的相似性或一致性。

19.1.2 静态匹配适合什么问题

静态匹配并不是错误的。

它适用于大量稳定场景，例如：

物体分类；
静态图像识别；
属性识别；
对象名称判断；
基础知识检索；
稳定状态判断。

例如：

桌面上有一个红色杯子

如果杯子没有移动、没有受到作用、没有发生状态变化，那么系统可以使用一次匹配得到：

Object = Cup
Color = Red
State = Static

在这种情况下，静态匹配已经足够。

19.1.3 静态匹配的局限

问题出现在：

现实世界并不是静态的。

对象会移动。

属性会变化。

环境会变化。

对象之间会相互作用。

行为本身还会进一步改变对象状态。

因此，如果系统始终使用：

当前数据
    ↓
一次匹配
    ↓
固定结果

那么它只能认识一个“瞬间”。

它无法真正认识：

正在发生什么。

例如机器人抓取鸡蛋。

第一次检测：

压力 = 0
摩擦 = 0
滑移 = 0
形变 = 0

系统判断：

鸡蛋处于安全静止状态

随后机械手开始接触鸡蛋：

压力 = 1
摩擦 = 1
滑移 = 0
形变 = 0

再之后：

压力 = 2
摩擦 = 2
滑移 = 0.1
形变 = 0.1

继续增加：

压力 = 3
摩擦 = 2
滑移 = 0.5
形变 = 0.4

如果系统仍然使用第一次匹配结果：

鸡蛋 = 安全

那么这个“认知”实际上已经失效。

因为：

对象没有改变身份，但对象的状态已经改变。

这正是静态匹配无法解决的问题。

19.2 动态匹配

动态匹配建立在一个更重要的认识上：

对象不是只有一个固定状态，而是一个随时间不断变化的状态过程。

因此，认知系统不能只问：

“它是什么？”

还必须不断问：

“它现在是什么状态？”

以及：

“它正在向什么方向变化？”

19.2.1 动态匹配的基本结构

动态匹配可以表示为：

t1
 ↓
当前状态
 ↓
匹配
 ↓
认知状态

t2
 ↓
新状态
 ↓
重新匹配
 ↓
新的认知状态

t3
 ↓
再次变化
 ↓
再次匹配
 ↓
再次更新认知

因此：

Recognition(t)
=
Matching(State(t), Knowledge, Goal, Context)

这里最重要的是：

认知不再只是一个静态结果，而成为一个随时间变化的过程。

19.2.2 动态匹配不是“不断重新测试”

这里需要特别区分两个概念。

传统机器人系统很容易采用：

测试
 ↓
失败
 ↓
调整参数
 ↓
再次测试
 ↓
失败
 ↓
再次调整

这种方式本质上是：

通过大量试错寻找一个可行参数。

动态认知匹配并不是简单地把测试次数增加。

它的核心是：

感知
 ↓
当前状态
 ↓
属性变化
 ↓
变化关系
 ↓
匹配
 ↓
预测
 ↓
调整
 ↓
再次感知

也就是说：

系统不是盲目测试，而是在行为过程中持续读取对象状态，并根据状态变化实时调整匹配关系。

这两者有本质区别。

19.2.3 从“测试结果”转向“状态反馈”

传统方式：

抓取
 ↓
成功 / 失败

动态认知方式：

抓取
 ↓
压力变化
 ↓
摩擦变化
 ↓
滑移变化
 ↓
形变变化
 ↓
状态判断
 ↓
调整抓取

所以，系统不需要等到：

鸡蛋破了

才知道抓取错误。

只要检测到：

压力持续增加
+
形变增加
+
滑移没有改善

就可以形成新的认知：

当前抓取策略正在增加对象损伤风险

于是系统可以提前调整。

这就是动态认知的价值。

19.3 连续匹配

动态匹配进一步发展，就是连续匹配。

连续匹配的核心不是：

每隔一段时间重新执行一次完全独立的匹配。

而是：

当前匹配结果与上一时刻的匹配状态保持连续关系。

也就是说：

M(t1)
 ↓
M(t2)
 ↓
M(t3)
 ↓
M(t4)

这些不是四个互相独立的结果。

而是：

M(t1) → M(t2) → M(t3) → M(t4)

形成一个连续认知过程。

19.3.1 为什么需要连续匹配

例如一个物体正在向右移动。

系统在：

t1

发现：

位置 = 100

在：

t2

发现：

位置 = 105

在：

t3

发现：

位置 = 111

如果系统只进行静态匹配，那么它得到的是：

t1：位置100
t2：位置105
t3：位置111

但是连续匹配会进一步形成：

位置：
100 → 105 → 111

从而产生：

对象正在向右移动

进一步还可以计算：

变化量
变化速度
变化方向
变化趋势

所以：

连续匹配使系统开始认识“变化本身”。

19.3.2 连续匹配中的历史信息

连续匹配必须保留一定的历史。

因此认知系统至少需要：

Current State
Previous State
Change
Trend

例如：

Pressure(t)
Pressure(t-1)

得到：

ΔPressure

再进一步：

ΔPressure / Δt

得到压力变化率。

于是系统不再只知道：

压力 = 3

而知道：

压力正在快速增加

这两个信息具有完全不同的认知意义。

19.4 时序匹配

连续变化还会形成更复杂的时序关系。

因为很多行为不是一个瞬间完成的，而是由多个状态按照一定顺序发生。

例如抓取过程：

接近
 ↓
接触
 ↓
施加压力
 ↓
建立摩擦
 ↓
稳定
 ↓
抬升
 ↓
移动
 ↓
放置
 ↓
释放

如果系统只看当前状态：

压力 = 2

那么它并不知道这个压力意味着什么。

因为：

接触阶段的压力 = 2

和：

抬升阶段的压力 = 2

其认知意义可能完全不同。

所以：

属性值必须放入时间序列和行为阶段中理解。

19.4.1 时序关系

可以表示为：

State1
 ↓
State2
 ↓
State3
 ↓
State4

例如：

未接触
 ↓
接触
 ↓
受力
 ↓
稳定

如果实际观察到：

未接触
 ↓
接触
 ↓
受力
 ↓
滑移

那么系统就可以判断：

当前行为没有进入预期的稳定状态。

这已经不是简单的对象识别。

而是：

对对象状态演化过程进行认知。

19.4.2 时序匹配与行为判断

假设系统拥有一个目标行为序列：

接触
 ↓
稳定
 ↓
抓起

实际观察到：

接触
 ↓
滑移
 ↓
压力增加

系统就会发现：

Expected State Sequence
        ≠
Observed State Sequence

于是产生：

状态偏差

进一步形成：

行为风险

因此，时序匹配能够让系统判断：

当前行为是否按照预期状态演化。

19.5 状态匹配

动态匹配的最终目标之一，是判断：

对象当前究竟处于什么状态。

这里的状态不能简单等同于某一个属性。

例如：

压力 = 3

不能直接定义：

对象状态 = 安全

因为状态往往由多个属性共同决定。

19.5.1 多属性共同决定状态

例如鸡蛋抓取：

Pressure
Friction
Slip
Deformation
Position
Motion

这些属性共同构成：

Object State

可以抽象为：

State(t)
=
F(
Pressure(t),
Friction(t),
Slip(t),
Deformation(t),
Position(t),
Motion(t)
)

这里的 F 并不一定必须是传统数学意义上的固定函数。

它也可以是：

规则
匹配
权重
经验
条件组合
状态转换

但核心思想不变：

对象状态来自多个动态属性的协同，而不是来自单一数据。

19.5.2 状态不是属性的简单集合

这是认知工程中非常重要的一点。

例如：

压力 = 高

只是属性。

形变 = 增加

也是属性变化。

但是：

压力持续增加
+
形变持续增加
+
滑移没有下降

就可能形成：

损伤风险上升

而：

压力适中
+
摩擦稳定
+
滑移接近零
+
形变稳定

可能形成：

抓取稳定

因此：

状态是对多个属性及其变化关系进行认知解释后形成的更高层结构。

19.5.3 状态匹配的动态更新

对象状态不能永久固定。

例如：

t1：
状态 = 静止

t2：
状态 = 接触

t3：
状态 = 受力

t4：
状态 = 稳定抓取

t5：
状态 = 移动

t6：
状态 = 放置

因此：

State(t1)
→
State(t2)
→
State(t3)
→
State(t4)
→
State(t5)
→
State(t6)

这就是对象状态的动态演化。

19.6 五种匹配不是五个孤立系统

本章提出：

静态匹配
动态匹配
连续匹配
时序匹配
状态匹配

但它们并不是五种完全独立的技术。

更准确地说，它们是认知匹配逐渐深入的不同层次。

可以表示为：

静态匹配
   ↓
动态匹配
   ↓
连续匹配
   ↓
时序匹配
   ↓
状态匹配

第一层：静态匹配

回答：

它是什么？

例如：

Object = Egg

第二层：动态匹配

回答：

它正在发生什么变化？

例如：

Pressure ↑
Deformation ↑

第三层：连续匹配

回答：

这种变化是否持续？

例如：

Pressure：
2 → 2.2 → 2.5 → 2.8

系统知道压力不是偶然增加，而是在持续增加。

第四层：时序匹配

回答：

这些变化按照什么顺序发生？

例如：

接触
 ↓
受力
 ↓
滑移
 ↓
形变

第五层：状态匹配

回答：

这些变化共同说明对象现在处于什么状态？

例如：

压力增加
+
形变增加
+
滑移增加

最终认知：

当前抓取状态存在损伤风险

19.7 从静态匹配到动态认知

因此，真正的认知过程不能简单表示为：

Object
 ↓
Match
 ↓
Recognition

而应该逐渐扩展为：

Object
 ↓
Attributes
 ↓
State
 ↓
Change
 ↓
Trend
 ↓
Relations
 ↓
Dynamic Matching
 ↓
Continuous Matching
 ↓
Temporal Matching
 ↓
State Matching
 ↓
Cognition

这意味着：

认知不是一次计算出来的标签，而是一个持续形成、持续更新的状态。

19.8 机器人抓取鸡蛋：静态匹配为什么不够

现在回到本书最重要的工程案例之一。

假设机器人需要抓取鸡蛋。

系统首先识别：

Object = Egg

并获得：

Shape = Oval
Surface = Smooth
Weight = Light

如果只做到这里，系统只是完成了对象认知。

真正抓取开始以后，系统获得：

Pressure
Friction
Slip
Deformation
Motion

此时需要动态匹配。

第一阶段：接触

Pressure ↑
Friction ↑
Slip ≈ 0
Deformation ≈ 0

认知：

已经接触

第二阶段：建立稳定抓取

Pressure ↑
Friction ↑
Slip ↓
Deformation ≈ stable

认知：

抓取逐渐稳定

第三阶段：压力继续增加

Pressure ↑↑
Friction ≈ stable
Slip ≈ 0
Deformation ↑

此时系统不能简单认为：

压力越大越安全

因为对象已经出现：

形变增加

认知需要发生变化：

稳定抓取
→
过度施力风险

第四阶段：继续施力

如果出现：

Pressure ↑↑
Deformation ↑↑
Slip ↑

系统应形成新的状态认知：

抓取状态恶化

而不是继续测试：

压力4
压力5
压力6
压力7
……

直到鸡蛋破裂。

19.9 动态匹配的真正意义

这正是本书与传统“不断测试”机器人逻辑的重要区别。

不断测试的方式：

动作
 ↓
结果
 ↓
重新动作
 ↓
结果
 ↓
继续测试

它需要大量数据。

而动态认知匹配：

动作
 ↓
感知
 ↓
属性变化
 ↓
变化关系
 ↓
状态判断
 ↓
匹配更新
 ↓
行为调整

系统利用的是：

对象当前状态及其变化所提供的信息。

因此，数据不再只是用于“训练一个固定答案”。

数据本身成为：

认知过程中的动态状态。

19.10 从“最小测试”走向“最小受损匹配”

这也为后面的第40章“最小受损匹配”建立理论基础。

机器人抓鸡蛋真正需要优化的不是：

抓住鸡蛋

也不是：

抓取成功率最大

而应该进一步考虑：

任务完成
+
抓取稳定
+
对象受损最小

因此可以形成一个基本认知方向：

满足任务
      ↓
寻找可行行为
      ↓
比较行为对对象状态的影响
      ↓
选择对象受损更小的匹配

即：

认知不是单纯寻找“能不能做”，而是在动态状态中判断“怎样做更合适”。

这就是从行为控制走向认知控制的重要一步。

19.11 动态认知的核心不是数据量，而是数据关系

如果系统只是积累：

压力数据
摩擦数据
滑移数据
形变数据

那么数据量可以非常巨大。

但如果系统能够识别：

压力变化
      ↓
摩擦变化
      ↓
滑移变化
      ↓
形变变化
      ↓
状态变化

那么真正重要的就不再是单个数据，而是：

数据
 ↓
变化
 ↓
关系
 ↓
协同
 ↓
状态

因此：

动态认知并不是简单增加数据量，而是提高系统对数据变化关系的认知能力。

这也是为什么“不断测试”会产生巨大的数据负担。

因为测试是在寻找答案。

而认知匹配是在理解：

当前数据正在说明什么。

19.12 本章小结

本章从静态匹配开始，逐步建立了动态认知匹配体系。

其基本发展关系为：

静态匹配
 ↓
动态匹配
 ↓
连续匹配
 ↓
时序匹配
 ↓
状态匹配

其中：

静态匹配解决：

对象是什么？

动态匹配解决：

对象正在发生什么变化？

连续匹配解决：

这种变化是否持续？

时序匹配解决：

这些变化按照什么顺序发生？

状态匹配解决：

这些属性和变化共同说明对象现在处于什么状态？

最终形成：

对象
 ↓
属性
 ↓
属性变化
 ↓
变化关系
 ↓
连续变化
 ↓
时序关系
 ↓
对象状态
 ↓
动态匹配
 ↓
认知更新

因此，本章确立一个重要原则：

人的认知具有动态性。

进一步说：

真正的机器认知不应该只匹配对象的静态特征，而应该持续匹配对象的属性、变化、关系和状态。

而这也为下一章“多维认知匹配”建立基础：当系统不再只处理单一属性，而是同时面对感觉、属性、状态、时间、空间、运动、因果和目标等多个维度时，认知匹配将从单一维度进入多维协同匹配。

第19章 静态匹配与动态匹配

第19章 静态匹配与动态匹配

19.1 静态匹配

19.1.1 静态匹配的基本结构

19.1.2 静态匹配适合什么问题

19.1.3 静态匹配的局限

19.2 动态匹配

19.2.1 动态匹配的基本结构

19.2.2 动态匹配不是“不断重新测试”

19.2.3 从“测试结果”转向“状态反馈”

19.3 连续匹配

19.3.1 为什么需要连续匹配

19.3.2 连续匹配中的历史信息

19.4 时序匹配

19.4.1 时序关系

19.4.2 时序匹配与行为判断

19.5 状态匹配

19.5.1 多属性共同决定状态

19.5.2 状态不是属性的简单集合

19.5.3 状态匹配的动态更新

19.6 五种匹配不是五个孤立系统

第一层：静态匹配

第二层：动态匹配

第三层：连续匹配

第四层：时序匹配

第五层：状态匹配

19.7 从静态匹配到动态认知

19.8 机器人抓取鸡蛋：静态匹配为什么不够

第一阶段：接触

第二阶段：建立稳定抓取

第三阶段：压力继续增加

第四阶段：继续施力

19.9 动态匹配的真正意义

19.10 从“最小测试”走向“最小受损匹配”

19.11 动态认知的核心不是数据量，而是数据关系

19.12 本章小结