第40章 最小受损匹配
上一章建立了“对象损伤”的认知模型。
系统已经能够认识到：
对象
↓
对象状态
↓
属性变化
↓
对象响应
↓
承受能力
↓
风险
↓
损伤但如果认知系统只做到这里，它仍然只是一个观察系统。
真正的认知还必须进一步回答：
当存在多个都能够完成任务的行为方案时，系统应该选择哪一个？
这就进入本章的核心：
最小受损匹配。
40.1 从“完成任务”到“完成任务且尽量不损伤对象”
一个最简单的行为系统，可以把目标定义为：
Task = Success只要任务完成，系统就认为行为成功。
例如机器人抓取鸡蛋：
抓到鸡蛋
↓
任务完成但是这种判断显然不够。
因为可能出现：
方案A：
快速抓取
↓
抓取成功
↓
鸡蛋破裂也可能出现：
方案B：
缓慢调整
↓
抓取成功
↓
鸡蛋保持完整如果系统只判断：
Task Success = TRUE那么A和B没有区别。
但人的认知显然会认为：
B > A因此，任务完成并不是唯一的认知目标。
需要进一步加入：
稳定
安全
损伤
风险最终形成：
任务完成
+
稳定
+
安全
↓
Damage → MIN40.2 什么是最小受损匹配
本书将“最小受损匹配”定义为：
在满足当前任务目标的条件下，对不同可能行为及其对象响应进行持续匹配，并选择能够使对象预期损伤保持在最低可接受水平的行为方案。
这里有三个关键条件。
第一：
任务必须完成第二：
行为必须保持足够稳定第三：
对象损伤应尽可能小因此不是：
Damage = 0这么简单。
而是：
在任务约束下：
Damage → MIN这是一种条件最优化认知。
40.3 为什么不能简单追求“零损伤”
现实中的很多行为并不能保证：
Damage = 0例如：
搬运
切割
加工
摩擦
压缩
移动
接触都可能产生一定程度的变化。
因此认知系统真正需要判断的是：
当前损伤是否处于任务允许的范围之内，以及是否存在更低损伤的替代行为。
例如：
方案A
Damage = 5
方案B
Damage = 2
方案C
Damage = 0如果三种方案都能够完成任务：
C > B > A但如果C无法完成任务：
C = 无效方案那么系统应选择：
B所以最小受损不是孤立优化，而是在：
Task Constraint之下进行。
40.4 任务完成是第一层约束
首先，认知系统必须判断：
这个行为能不能完成任务？
例如：
行为A
抓取成功和：
行为B
没有抓住即使B对对象完全没有损伤：
Damage = 0也不能认为B是更优行为。
因为：
Task Success = FALSE因此第一层必须是：
Task Success = TRUE只有进入有效行为集合之后，系统才比较：
稳定性
安全性
损伤可以表示为：
所有可能行为
↓
任务匹配
↓
有效行为
↓
稳定性匹配
↓
安全性匹配
↓
损伤匹配
↓
最小受损行为40.5 稳定是第二层约束
任务完成以后，还需要判断：
行为是不是稳定的？
例如机器人抓取鸡蛋：
抓住并不意味着：
稳定抓住可能出现：
抓住
↓
持续滑移
↓
不断调整
↓
最终掉落这种行为虽然某一时刻完成了任务，但整体状态并不稳定。
因此：
Task Success还需要：
Stability形成：
任务完成
+
状态稳定只有这样，后面的损伤比较才具有意义。
40.6 安全是第三层约束
稳定也不等于安全。
例如：
鸡蛋被牢牢夹住可能非常稳定。
但如果：
压力持续增加那么：
稳定 ↑
损伤风险 ↑因此：
稳定本身不能证明安全。
认知系统必须同时观察：
稳定性
+
对象承受能力
+
当前作用
+
风险变化形成：
Stability
+
Tolerance
+
Risk
↓
Safety Assessment40.7 最小受损不是单属性判断
“损伤最小”不能只读取：
Damage因为损伤本身来自多个动态因素。
例如：
压力
摩擦
滑移
形变
时间
速度
位置
方向共同形成：
Object Response再形成：
Damage所以：
Pressure(t)
+
Friction(t)
+
Slip(t)
+
Deformation(t)
+
Time(t)
↓
Damage State而最小受损匹配实际上是在比较：
行为A → DamageA
行为B → DamageB
行为C → DamageC40.8 行为方案之间的匹配
假设存在三个抓取方案：
方案A
快速抓取方案B
中等速度抓取方案C
缓慢调整后抓取系统可以分别预测：
A
↓
任务成功
↓
稳定
↓
压力较高
↓
损伤风险高B
↓
任务成功
↓
稳定
↓
压力适中
↓
损伤风险中C
↓
任务成功
↓
稳定
↓
压力较低
↓
损伤风险低于是：
A → Damage High
B → Damage Medium
C → Damage Low在任务都能够完成的情况下：
C > B > A这就是最小受损匹配。
40.9 最小受损匹配不是简单的“越慢越好”
这里必须避免一个误解：
最小受损是不是意味着行为越慢越好？
不是。
因为：
速度降低虽然可能降低损伤风险，但也可能：
任务时间增加
效率下降
稳定性下降甚至某些情况下：
停留时间增加反而可能增加对象受到作用的总时间。
所以真正的认知过程是：
速度
+
压力
+
时间
+
稳定
+
任务要求
+
对象承受能力共同匹配。
因此最小受损并不是：
某一个变量最小而是：
多个动态属性协同作用下的综合认知结果。
40.10 最小受损与个体目标
这一点与前面的个体认知理论直接连接。
不同个体的目标不同，可能导致不同的最小受损方案。
例如：
个体A：
目标 = 最大安全
个体B：
目标 = 最大效率
个体C：
目标 = 平衡安全与效率面对相同对象：
相同感觉
+
相同对象
+
相同属性
+
相同状态仍然可能形成不同匹配。
因为：
Goal
↓
Weight
↓
Matching
↓
Cognition所以：
最小受损并不意味着所有个体都会选择完全相同的行为。
它实际上是：
个体目标
+
对象状态
+
对象承受能力
+
行为预测
+
损伤风险共同形成的结果。
40.11 最小受损与风险预测
真正的最小受损匹配不能只观察已经发生的损伤。
因为如果：
Damage 已经发生再选择低损伤行为可能已经太晚。
所以系统必须进行：
Current State
+
Dynamic Change
+
Tolerance
+
Action
↓
Predicted Damage即：
根据当前状态预测不同动作可能造成的未来损伤。
形成：
当前认知
↓
行为候选
↓
行为模拟/预测
↓
对象响应预测
↓
损伤预测
↓
行为匹配
↓
行为选择这样，最小受损匹配就从：
事后判断进入：
事前认知40.12 最小受损的基本认知结构
本章可以建立一个基础模型：
Goal
│
↓
Task Constraint
│
↓
Candidate Actions
│
┌─────────┼─────────┐
↓ ↓ ↓
Action A Action B Action C
│ │ │
↓ ↓ ↓
Object Response Prediction
│ │ │
↓ ↓ ↓
Stability Safety Damage
│ │ │
└─────────┼─────────┘
↓
Minimum Damage
↓
Action Choice这说明：
最小受损匹配本质上是一种行为与对象响应之间的认知匹配。
40.13 鸡蛋抓取中的最小受损匹配
现在把整个模型放回鸡蛋抓取。
系统首先认识：
Object = Egg然后：
Egg
↓
Attributes
↓
Current State
↓
Tolerance接着产生多个行为候选：
Action A
Action B
Action C系统预测：
Action A
↓
Pressure ↑
Deformation ↑
Damage Risk ↑Action B
↓
Pressure →
Deformation →
Damage Risk →Action C
↓
Pressure ↓
Deformation ↓
Damage Risk ↓如果三者都满足：
Task Success那么：
C就是更符合：
Damage → MIN的行为。
这时候，机器人看起来才开始接近人的行为方式。
因为它不再只是：
“我能不能抓住？”
而是在判断：
“我怎样抓住，才能在完成任务的同时尽量不伤害这个对象？”
40.14 最小受损匹配与人的认知
这个模型并不只适用于机器人。
人类日常行为中大量存在类似认知。
例如：
拿玻璃杯人不会只考虑：
能不能拿起来？还会考虑：
杯子是否容易滑？
杯子是否很薄？
手上的力度是否合适？
杯子里面有没有热水？再例如：
抱婴儿也不是单纯追求：
把婴儿抱起来而是同时考虑：
支撑
力度
位置
稳定
安全
动作速度因此：
任务完成
+
对象保护实际上是人的自然认知结构之一。
本书所做的工作，是把这种自然认知过程进一步结构化。
40.15 从“最小受损”进入“对象保护”
到这里可以发现：
对象承受能力
↓
对象损伤
↓
损伤风险
↓
最小受损匹配
↓
对象保护因此：
对象保护不是一个额外附加的功能，而是由对象属性、动态状态、承受能力和损伤认知自然推导出来的行为认知结果。
这非常重要。
因为它说明：
保护不是系统预先写死的一条规则：
if egg:
be careful而可以从认知模型中自然产生：
Object
↓
Tolerance
↓
Dynamic State
↓
Risk
↓
Damage Prediction
↓
Minimum Damage
↓
Protective Action40.16 最小受损匹配的理论表达
本章可以进一步形成一个抽象表达：
Action* =
arg min Damage(Action | Goal, Object, State, Environment)其中：
Action*表示在当前条件下选择的行为。
而：
Damage(Action | ...)表示某个行为在当前对象、状态、环境和目标条件下产生的预期损伤。
这里的核心并不是数学公式本身，而是它表达出的认知思想：
行为选择不是只寻找“能够完成任务”的行为，而是在满足任务约束后寻找预期损伤更低的行为。
40.17 本章形成的新认知链
到本章结束，本书的对象保护理论进一步形成：
对象
↓
对象属性
↓
动态属性
↓
对象状态
↓
对象承受能力
↓
对象损伤
↓
损伤风险
↓
行为预测
↓
最小受损匹配
↓
行为选择进一步扩展：
任务完成
+
稳定
+
安全
+
最小损伤
↓
对象保护型行为这也意味着，前面建立的：
属性
状态
变化
匹配
权重
概率
个体目标开始真正进入行为选择层。
40.18 从最小受损匹配进入工程案例
到这里，鸡蛋已经不再只是一个“机器人抓取案例”。
它实际上承担了一个更重要的理论验证作用：
感觉
↓
感知
↓
元素
↓
对象
↓
属性
↓
动态属性
↓
动态状态
↓
认知匹配
↓
概率
↓
承受能力
↓
损伤
↓
最小受损匹配
↓
行为选择因此下一章将进一步把这个理论完整应用于：
第41章 鸡蛋抓取
重点不再是简单讨论“机器人如何抓鸡蛋”，而是验证：
压力、摩擦、滑移、形变、时间和对象状态等动态属性，如何通过协同匹配形成对象保护型认知，并最终指导行为。