第22章 认知的不确定性
在前面的章节中，我们已经建立了一条逐渐清晰的认知路径：
感觉
↓
感知元素
↓
对象
↓
对象属性
↓
属性变化
↓
属性之间的动态关系
↓
对象动态状态
↓
认知匹配
↓
多维匹配
↓
属性协同匹配但是，到这里仍然存在一个非常重要的问题：
即使认知系统完成了匹配，它也不能因此认为自己的判断一定正确。
现实世界中的对象始终处于变化之中，感知数据也始终存在误差、不完整性、延迟和冲突。
因此，真正的认知不能只是：
匹配成功 = 正确
匹配失败 = 错误而应该进一步回答：
当前匹配有多可靠？
这就是认知不确定性产生的原因。
22.1 现实世界不存在完全静止的认知对象
如果我们观察一个鸡蛋，可以说：
对象 = 鸡蛋但是，如果机器人准备抓取它，仅仅知道“这是一个鸡蛋”显然是不够的。
机器人还需要知道：
重量
表面摩擦
当前受力
接触面积
滑移状态
蛋壳承受能力
当前加速度
抓取方向
抓取速度而这些数据并不是永远不变的。
例如：
抓取开始
↓
手指接触鸡蛋
↓
压力增加
↓
摩擦力变化
↓
鸡蛋产生微小位移
↓
滑移风险增加
↓
机器人调整压力
↓
状态再次变化因此，系统面对的不是一个固定的数据集合，而是一个不断变化的状态过程。
22.2 感知本身存在不确定性
任何传感器都不可能无限精确。
例如压力传感器得到：
压力 = 2.1N这并不意味着真实压力一定就是：
2.100000N它可能处于某个范围：
2.0N ～ 2.2N同样：
摩擦系数
滑移速度
形变量
重量
位置
速度都可能存在误差。
因此：
感知值 ≠ 绝对真实值更准确地说：
感知值
=
对真实状态的一次观测于是认知系统面对的是：
真实状态
↑
│
感知
│
↓
观测数据认知系统无法直接获得“真实状态”，只能根据观测不断逼近它。
22.3 匹配也不是绝对成立
假设系统当前观察到：
压力正常
摩擦正常
滑移很小
形变很小它可能匹配出：
当前状态 ≈ 稳定抓取但是，“≈”非常重要。
因为这只是当前数据支持的判断。
如果下一时刻：
压力 ↑
滑移 ↑
形变 ↑原来的认知就必须发生变化。
因此：
认知不是一次性确定，而是随着新数据不断修正。
可以表示为：
当前认知
↓
新感知
↓
重新匹配
↓
认知更新
↓
新的认知22.4 不确定性不是系统错误
这里必须区分一个非常重要的概念。
很多传统工程系统喜欢把问题划分成：
True
False或者：
1
0但真实世界往往不是这样。
例如机器人抓取鸡蛋：
安全并不是一个绝对不变的标签。
更合理的状态可能是：
安全程度较高
安全程度下降
存在风险
风险较高
即将损伤因此：
认知应该允许存在不同程度的确定性。
也就是说：
不确定性不是认知系统的缺陷，而是认知系统面对真实世界必须具备的能力。
22.5 认知不确定性的来源
认知不确定性至少来自几个方面。
22.5.1 感知误差
传感器本身存在误差。
真实压力
↓
传感器
↓
观测压力二者不会完全相同。
22.5.2 数据不完整
系统可能只能获得部分属性。
例如：
重量：已知
压力：已知
摩擦：未知
内部结构：未知此时系统仍然需要进行认知。
因此：
认知不能以“所有数据都已知”为前提。
22.5.3 数据延迟
现实中的状态可能已经发生变化，但是系统获得的数据仍然是上一时刻的数据。
例如：
t1：
滑移 = 0
t2：
开始滑移
t3：
系统才检测到滑移因此：
感知时间和：
真实变化时间可能并不完全一致。
22.5.4 多属性冲突
这是动态认知中非常重要的问题。
例如：
压力：正常
摩擦：正常
滑移：增加
形变：正常不同属性给出的信息并不完全一致。
系统不能简单地选择其中一个。
而应该进行：
综合匹配22.5.5 属性变化速度不同
有些属性变化很快：
压力有些变化较慢：
温度有些甚至只能通过长期观察才能发现：
材料疲劳因此不同属性不能采用完全相同的认知时间尺度。
22.6 从“值”进入“范围”
前面第14章已经说明：
Value
State
Change
Rate
Trend到了概率认知阶段，需要进一步认识：
一个属性值并不一定只能表示成一个点。
例如：
Pressure = 2.1可以进一步表示成：
Pressure ≈ [2.0, 2.2]这意味着认知系统处理的并不只是：
一个值而可能是：
值 + 可信范围这会直接影响后面的匹配强度。
22.7 从“匹配”进入“匹配程度”
第18章建立了认知匹配，第19章建立了动态匹配，第20章建立了多维匹配，第21章建立了属性协同匹配。
现在必须继续向前推进：
匹配
↓
匹配程度例如：
对象 A与：
当前状态可能存在：
高度匹配
中度匹配
低度匹配因此：
认知匹配不是简单的“有”或“没有”，而是存在强弱程度。
这就自然进入下一章：
匹配强度。
22.8 不确定性与动态认知
动态认知的关键不是消除所有不确定性。
而是：
让系统能够在不确定条件下持续认知。
例如：
t1
压力正常
滑移未知
↓
初步判断：可能稳定
t2
压力正常
滑移增加
↓
判断更新：稳定性下降
t3
压力略增
滑移继续增加
↓
判断更新：存在风险
t4
调整抓取压力
滑移下降
↓
判断更新：风险下降这里没有任何一个时刻可以说：
“以后一定不会发生变化。”
系统真正做的是：
观察
↓
匹配
↓
形成当前认知
↓
继续观察
↓
重新匹配
↓
更新认知这就是动态认知的基本形式。
22.9 不确定性不是最终结果，而是认知过程中的状态
因此，可以把认知过程进一步表示为：
感知
↓
对象识别
↓
属性获取
↓
状态判断
↓
动态匹配
↓
匹配强度
↓
认知不确定性
↓
当前认知但是这里还不能停止。
因为：
当前认知
↓
新的感知
↓
新的数据
↓
新的匹配
↓
新的认知所以认知实际上是一种持续更新过程。
22.10 从确定性认知走向概率认知
传统程序可能这样写：
if pressure < threshold:
safe = true
else:
safe = false这种方法在条件非常稳定时可以工作。
但是对于动态对象，它存在明显限制。
因为现实情况可能是：
压力略高
+
摩擦正在下降
+
滑移正在增加
+
形变尚未明显这时候很难简单判断：
安全 = true或者：
安全 = false更合理的是形成一种程度性的判断：
当前状态对“安全抓取”的支持程度较高或者：
当前状态对“发生损伤”的支持程度正在增加这就是从：
Boolean向：
Probability发展的基础。
22.11 概率不是凭空产生的
这里尤其需要强调：
概率不是认知系统随意给出的一个数字。
它必须建立在前面的结构之上。
完整路径应该是：
感知数据
↓
对象
↓
属性
↓
属性状态
↓
属性变化
↓
属性关系
↓
多维匹配
↓
协同匹配
↓
匹配强度
↓
匹配权重
↓
概率所以概率认知并不是独立模块。
它是前面整个认知匹配体系进一步发展的结果。
22.12 机器人抓取鸡蛋中的不确定性
回到本书的工程案例。
机器人抓鸡蛋时，真正需要面对的是：
鸡蛋承受能力
+
手指压力
+
接触面积
+
摩擦
+
滑移
+
形变
+
运动速度
+
加速度
+
抓取方向这些因素同时变化。
系统不能简单建立：
鸡蛋 = 压力 < X因为即使压力相同：
摩擦不同也可能导致不同结果。
甚至：
压力相同
+
摩擦相同如果：
加速度不同最终结果也可能不同。
因此真正的认知对象不是：
某一个压力值而是：
当前对象状态而当前对象状态又来自：
多个动态属性的协同关系。22.13 从“不断测试”转向“动态认知”
这也对应一个重要的机器人认知工程问题。
如果机器人完全依靠：
尝试
↓
失败
↓
记录
↓
再尝试
↓
失败
↓
继续测试那么需要积累大量数据。
尤其面对真实世界的连续变量：
压力
摩擦
速度
位置
角度
重量
材料
温度
湿度组合数量会迅速增加。
这会形成巨大的测试空间。
而动态认知的方向不是：
把所有可能情况都提前测试一遍。
而是：
根据当前感知到的对象状态，实时匹配当前最相关的属性及其变化关系，并随着反馈不断调整认知。
于是系统从：
大量测试转向：
实时感知
↓
动态匹配
↓
当前判断
↓
反馈
↓
动态修正这正是本书“模拟人的感知与认知”理论要解决的问题之一。
22.14 本章形成的理论结论
到第22章为止，可以形成一个重要认识：
认知不是对一个确定世界进行判断，而是在不完整、变化和存在误差的信息条件下，对对象当前状态进行持续匹配和更新。
因此：
不确定性不是认知的终点，而是认知系统必须处理的基本条件。
由此，下一章自然进入：
第23章 匹配强度
下一章要解决的问题是：
当多个对象、属性、状态和变化同时参与匹配时，系统如何判断“这个匹配到底有多强”？
并进一步建立：
属性匹配
↓
关系匹配
↓
动态匹配
↓
协同匹配
↓
匹配强度也就是从：
“匹配了吗？”
进一步走向：
“匹配得有多强？”