第150章 Multivariate Behavior Computation
多元行为计算
第149章建立了 Dynamic Method（动态方法）：
Current State
+
Goal
+
Object
+
Relation
+
Capability
+
Feedback
↓
Dynamic Method第150章进一步研究一个更核心的问题：
机器究竟依据多少种信息，才能计算出一个合理行为？
一个真实行为通常不是由单一变量决定的。
例如：
Object = Egg仅仅知道：
Object = Egg机器仍然不知道应该：
拿起
移动
避开
放下
停止因为行为必须由多个认知变量共同决定。
因此建立：
Object
+
Attribute
+
Relation
+
State
+
Environment
+
Machine State
+
Goal
+
Real-Time Data
↓
Behavior150.1 Behavior 不是单变量函数
传统机器控制容易形成：
Input
↓
Action例如：
Distance < 10cm
↓
Move但真实环境中：
Distance本身无法决定行为。
因为同样是：
Distance = 10cm如果对象不同：
Egg和：
Metal Ball行为可能完全不同。
因此：
Behavior ≠ f(Single Variable)而应该：
Behavior
=
f(
Object,
Attribute,
Relation,
State,
Environment,
Machine State,
Goal,
Real-Time Data
)这就是：
Multivariate Behavior Computation
150.2 Object
首先是：
Object对象决定行为计算的基本认知主体。
例如：
Egg
Glass
Door
Person
Vehicle
Tool
Obstacle不同对象具有不同：
Attribute
Capability
Constraint
Risk
Relation因此：
Object
↓
Behavior Space例如：
Egg允许：
Gentle Grasp
Slow Move
Support但不适合：
High Force
Fast Impact
Drop所以对象不是行为计算的结果，而是行为计算的重要输入。
150.3 Attribute
对象本身还不够。
机器必须知道对象具有什么属性：
Attribute例如鸡蛋：
Fragility
Weight
Size
Shape
Temperature
Surface
Material因此：
Object
+
Attribute才能形成更完整的对象认知。
例如：
Object = Egg
Fragility = High
Weight = Low与：
Object = Egg
Fragility = Low
Weight = Low可能产生不同 Method。
因此：
Attribute
→
Behavior Constraint150.4 Relation
单独理解对象仍然不足。
机器还必须理解：
Object ↔ Object之间的关系。
例如：
Egg
+
Hand存在：
Near
Contact
Held
Supported又例如：
Egg
+
Table存在：
Above
Supported-by
Contact因此行为计算必须加入：
Relation形成：
Object
+
Attribute
+
Relation例如：
Egg
Fragility = High
Contact = Hand
Supported = False这已经比单纯：
Egg拥有完全不同的行为计算基础。
150.5 State
对象和关系还必须处于某个：
State例如：
Egg State:
Stable可能变成：
Egg State:
Moving再变成：
Egg State:
Falling因此：
Object
+
State描述的是：
现在这个对象处于什么状态。
行为计算关注的不是：
What is the object?而是：
What is the object
+
What is happening to it now?150.6 Environment
对象和机器都不是孤立存在的。
还需要：
Environment例如：
Obstacle
Surface
Temperature
Lighting
Space
Other Objects
Moving Objects
Human Presence同一个对象：
Egg在不同环境中可能产生完全不同的行为。
环境 A
Open Space
No Obstacle
Stable Surface可以：
Move Directly环境 B
Obstacle Present
Narrow Space
Human Nearby可能需要：
Slow Move
Avoid Obstacle
Adjust Path所以：
Behavior必须是：
Object
+
Environment共同计算的结果。
150.7 Machine State
这是机器认知系统中特别重要的一层：
Machine State因为：
同一个环境，即使对象完全相同，机器自身状态不同，也可能产生不同的行为。
例如：
Machine Battery = 10%与：
Machine Battery = 90%可能导致不同策略。
又例如：
Hand = Empty与：
Hand = Holding Object也会导致不同动作。
Machine State 可以包括：
Position
Velocity
Energy
Available Tools
Current Action
Current Load
Sensor State
Actuator State
Memory State
Cognitive State因此：
World State
+
Machine State共同决定机器能够执行什么。
150.8 Goal
即使机器知道：
Object
Attribute
Relation
State
Environment
Machine State仍然不能确定行为。
因为还缺少：
Goal例如：
Egg
+
Table
+
Hand
+
Stable如果目标是：
Pick Up行为可能是：
Grasp如果目标是：
Protect行为可能是：
Avoid Contact如果目标是：
Move To Table行为可能是：
Transport因此：
Same State
+
Different Goal
→
Different Behavior这是多元行为计算的关键。
150.9 Real-Time Data
前面的变量仍然可能发生变化。
因此必须加入：
Real-Time Data例如：
Position
Velocity
Force
Acceleration
Distance
Temperature
Pressure
Contact
Sensor Feedback这些数据不断更新：
t0
↓
t1
↓
t2
↓
t3因此行为计算也必须持续更新。
形成：
Real-Time Data
↓
State Update
↓
Behavior Re-computation而不是：
Initial Data
↓
Fixed Behavior150.10 Multivariate Behavior Function
可以建立本章核心公式：
B(t)
=
F(
O(t),
A(t),
R(t),
S(t),
E(t),
M(t),
G(t),
D(t)
)其中：
B(t) = Behavior
O(t) = Object
A(t) = Attribute
R(t) = Relation
S(t) = State
E(t) = Environment
M(t) = Machine State
G(t) = Goal
D(t) = Real-Time Data因此：
Behavior 是多个动态认知变量在特定时间点上的联合计算结果。
150.11 Behavior Vector
进一步可以把当前行为计算状态表示成：
Behavior State Vector例如：
B(t) =
[
Object,
Attributes,
Relations,
State,
Environment,
MachineState,
Goal,
RealTimeData
]系统不断计算：
B(t0)
↓
B(t1)
↓
B(t2)
↓
B(t3)行为也随之变化：
Behavior(t0)
Behavior(t1)
Behavior(t2)
Behavior(t3)因此：
Behavior不是一个静态值，而是一个：
Time-Dependent Computation150.12 多元变量之间不是简单相加
需要特别注意：
Object
+
Attribute
+
Relation
+
State
...这里的 + 不是数学上的简单加法。
它代表：
Integration即：
多个认知变量被组合到同一个行为计算空间中。
例如：
Object = Egg
Fragility = High
HandForce = High
Distance = 5cm
Goal = Pick Up不能简单理解为：
Egg + High + High + 5 + Pick Up而应该计算：
Object
↓
Fragility Constraint
↓
Hand Force Constraint
↓
Distance Condition
↓
Goal Condition
↓
Behavior因此：
Multivariate Computation本质上是：
Variable Interaction而不仅仅是：
Variable Collection150.13 Behavior Constraint
每一个变量都可能形成行为约束：
Attribute
↓
Constraint
Relation
↓
Constraint
Environment
↓
Constraint
Machine State
↓
Constraint
Goal
↓
Constraint最终：
Constraints
+
Capabilities
↓
Behavior Space例如：
Fragility = High
→ Force Limit
Obstacle = Present
→ Path Constraint
Battery = Low
→ Energy Constraint
Goal = Protect
→ Risk Constraint最终系统不是简单寻找：
What can I do?而是在计算：
What can I do
under all current constraints
to achieve the Goal?150.14 Behavior Computation 与 Dynamic Method
第149章：
State
+
Goal
+
Object
+
Relation
+
Capability
↓
Dynamic Method第150章进一步扩大：
Object
+
Attribute
+
Relation
+
State
+
Environment
+
Machine State
+
Goal
+
Real-Time Data
↓
Behavior Computation两者关系可以定义为：
Multivariate Behavior Computation
↓
Behavior Requirement
↓
Dynamic Method
↓
Action也就是说：
Behavior Computation 决定“当前应该形成什么行为”，Dynamic Method 决定“在当前条件下如何实现这个行为”。
150.15 Behavior Computation 闭环
最终形成：
Perception
↓
┌─────────────────┐
│ Multivariate │
│ State │
└────────┬────────┘
↓
Goal
↓
Behavior Computation
↓
Behavior
↓
Dynamic Method
↓
Action
↓
Environment
↓
Feedback
↓
Real-Time Data Update
↓
Multivariate Recompute
│
└──────────→因此机器行为不再是：
Input
↓
Rule
↓
Action而是：
Multi-State
+
Multi-Relation
+
Multi-Constraint
+
Goal
+
Real-Time Feedback
↓
Behavior Computation
↓
Dynamic Method
↓
Action
↓
New State150.16 本章核心定义
可以正式定义：
Multivariate Behavior Computation（多元行为计算）是指机器基于对象、属性、关系、状态、环境、机器自身状态、目标以及实时数据等多个相互作用的认知变量，对当前可行行为进行联合计算的机制。
核心公式：
Object
+
Attribute
+
Relation
+
State
+
Environment
+
Machine State
+
Goal
+
Real-Time Data
↓
Behavior进一步形成：
Behavior
=
F(
Object,
Attribute,
Relation,
State,
Environment,
Machine State,
Goal,
Real-Time Data
)最终，第150章完成一个重要升级：
Action Computation
↓
Method Computation
↓
Dynamic Method Computation
↓
Multivariate Behavior Computation即：
机器不是根据一个输入决定一个动作，而是在一个不断变化的多元认知状态空间中，持续计算当前最适合的行为。
这也为后面的 Behavior Selection、Behavior Planning、Behavior Adaptation、Behavior Control 建立理论基础。