机器视觉、优化算法、预测模型和强化学习正在不断提高系统的识别、预测和决策能力。

视觉系统可以判断工件的位置和姿态，优化算法可以寻找更优路径，预测模型可以提前发现异常趋势，强化学习可以从长期结果中寻找更好的行动策略。

但回到生产线真正执行动作的瞬间，控制系统面对的仍然是另一类问题：

机器人现在能不能开始抓取？工件现在能不能放行？AGV 现在能不能进入这个区域？设备现在能不能重新进入自动运行？下一工序现在能不能开始？

这些问题最终必须形成明确的控制结果：

允许或不允许，进入或保持，执行或禁止。

本文所说的“确定性判定”，特指在一个具体状态迁移入口，最终形成明确、可执行、可复核的进入、保持或禁止结果。

上游的识别、预测、估计和优化过程仍然可以采用概率模型、统计模型或学习算法。

因此，一个更加基础的问题逐渐显现出来：

智能算法越来越擅长回答“什么更可能、更优”，而在具体物理状态迁移入口，控制系统最终仍必须回答“现在能不能执行”。从“更可能、更优”到“现在允许执行”，中间存在一个独立的状态迁移工程问题。

1. 从算法输出到执行许可

智能算法的输出和状态迁移的控制结果，在语义上是两类东西。视觉系统可以给出对象识别结果和置信度，路径算法可以给出最优路径和预计代价，预测模型可以给出故障风险。

这些结果具有很高的工程价值，但它们本身还不足以推出“机器人启动 = TRUE”。

因为物理动作真正发生之前，还需要确认当前工件是否仍在有效抓取区域、识别结果是否仍然有效、机器人是否处于正确模式、安全区域许可是否成立、夹具和执行机构是否可用、下游是否能够承接、当前任务是否仍然有效。

所以真正的问题已经从“识别准不准”进入到了另一个层面：

当前这一组状态，是否足以支持一次物理状态迁移。

物理执行还有一个容易被忽略的特点——它的动作后果是不可忽略的。

软件计算可以重新执行，优化结果可以重新计算，预测值也可以在新的数据到达后更新。但生产线上的物理执行会直接改变现实状态。

机器人伸手以后，工件位置发生变化；输送线放行以后，工件进入下一个区域；断路器动作以后，供电结构发生改变；AGV 进入共享路径以后，其他车辆的可用路径随之变化。

因此，物理执行之前的控制判定，需要具有明确的工程责任边界。

此外，控制系统使用的状态并不是永久有效的。Robot Ready = TRUE 只能说明某个时刻机器人处于已定义的准备状态。实际进入下一阶段时，还需要考虑超时、状态陈旧、延迟、状态不同步、许可撤回、切换中等因素。

也就是说，状态值存在，只说明系统获得过这个状态；状态是否仍能作为本次状态迁移的有效依据，还需要进一步判定。

而状态是否仍然有效，只是状态迁移判定中的一个问题。

更进一步的问题是：

当前这次状态迁移到底应该观察哪些状态。

2. 从“推荐下一步”到“允许下一步”，中间还缺什么？

假设一个路径优化算法已经计算出路径 B 是当前最优路径。对于路径优化算法而言，这个结果已经完成了自己的主要任务。

但真实控制系统还必须继续判断：路径 B 当前是否开放？共享资源是否已经被占用？通行许可是否成立？目标站点是否可以接收？当前车辆状态是否允许进入？进入以后后续路径能否继续？

所以“推荐下一步”和“允许下一步”属于两个不同的工程阶段。

这种问题在控制理论中具有明确的研究基础。离散事件系统研究由离散事件驱动的系统行为，监督控制进一步研究如何根据控制规范，对系统中的可控事件进行限制，使系统行为满足给定的控制要求。

在生产系统中，大量关键动作本身就可以理解为离散事件——启动、进入、放行、转移、接收、恢复、切换。系统需要根据当前状态和控制约束，决定这些事件是否可以发生。

监督控制理论由此提供了一个重要基础：

“下一步是否允许发生”本身就是正式的控制问题。

落到复杂生产线以后，进一步的问题变成：

形成这次判断所依据的状态，到底应该如何选择和组织？

3. 真正更上游的问题：算法到底看到了什么？

一个算法能够判断什么，首先取决于它获得了什么表示。

假设视觉与机器人系统已经获得了视觉识别结果、置信度和机器人 Ready 状态。但如果当前系统没有同时表示安全许可、生产许可、下游承接状态、视觉结果时间有效性、工件位置边界和执行链状态，那么后续算法能够处理的问题空间，从一开始就已经缺失了这些工程关系。

强化学习领域同样长期关注状态表示。面对复杂或高维观测空间，系统需要从原始观测中形成能够支持后续决策的有效状态表示。状态表示的质量会进一步影响学习效率、泛化能力以及最终策略表现。深度学习可以参与这种表示学习，但任务所需要的信息是否得到充分保留，仍然是后续判断和决策能够达到什么能力的重要前提。

这个问题在复杂工程系统中更加明显。生产线真实世界可能拥有数千个设备 Tag、数百个状态变量、多个任务系统、多个资源状态和多种安全与许可状态。但对于“机器人现在是否可以进入抓取阶段”这个问题，真正相关的状态只是其中一部分。对于“AGV 现在是否可以进入某个站点”，相关状态集合又会发生变化。

因此，状态不能只按照“来自哪台设备”来组织。它还需要围绕当前准备发生哪一次状态迁移，重新建立上下文。

从现实系统到对象选择，到状态表示，再到面向本次状态迁移的上下文组织，最后才进入算法和判断决策。

这里形成一个重要的方法论关系：

先决定看什么，再决定怎么看，最后才决定使用什么算法。

如果“看什么”没有定义清楚，后续算法只能在已经获得的表示范围内继续处理变量、规则、异常和约束。算法能力不仅受到模型本身约束，也受到状态表示以及状态迁移上下文组织的上游约束。

对于复杂自动化系统，一个值得被独立定义的工程对象，就是一次明确的状态迁移入口。在 TPCA / PCN 中，将这样一个明确的迁移入口定义为目标状态入口。

4. TPCA / PCN 如何围绕目标状态入口组织状态迁移？

TPCA / PCN 将一个明确的目标状态入口作为可以独立设计、判定、控制和记录的工程对象。PCN 对应一个明确的目标状态入口，并部署在该入口之前，负责围绕本次状态迁移组织相关工程信息。其核心过程可以概括成三个问题。

第一个问题是先决定看什么。

需要先明确当前状态、目标状态、目标状态入口和相关状态，然后根据这些状态在当前目标状态入口中承担的工程作用，将其映射为条件状态、许可状态和执行链状态。

条件状态表示进入目标状态所需要的条件，许可状态表示进入目标状态所需的许可，执行链状态表示进入目标状态以后相关执行链是否能够继续接续。

例如在机器人准备进入抓取阶段时，工件位置属于条件状态，区域进入许可属于许可状态，下游接收状态属于执行链状态。

同一个状态对象在另一个目标状态入口中，可以承担不同的工程角色。因此，状态的工程意义由状态对象和目标状态入口共同决定。

第二个问题是再决定怎么看。

相关状态确定以后，还需要判断这些状态当前是否能够作为本次状态迁移的有效依据。TPCA / PCN 从结构完整性、动态时序有效性和控制边界三个判定性质进行评价。

结构完整性关注必要的信号、接口、映射关系、许可来源、路径和执行链边界是否已经定义、接入并可观测；动态时序有效性关注状态是否存在超时、未刷新、不同步、抖动、延迟、许可撤销或状态切换等问题；控制边界关注相关状态是否处于预先定义的允许范围或工程边界内，例如时间窗口、次数、置信度、位置偏差、容量及其他阈值条件。

这两个维度组合起来，形成 CAE-SDB 矩阵。这一步回答的是：已经找到的相关状态，在当前这个状态迁移时刻，是否仍然构成有效的工程依据。

第三个问题是最后决定当前允许怎么走。

多个状态及其判定结果可能同时存在，例如视觉结果仍然有效、机器人 Ready、安全许可成立，但下游暂时无法接收。控制系统需要进一步处理这些判定结果之间的优先关系。

CAE-SDB 判定结果经过控制仲裁，再形成多路径控制。最终控制结果可以包括允许进入、等待、重试、重新识别、重新定位、回流、替代路径、人工确认、禁止进入或安全锁定。实际执行以后，本次输入、判定、控制路径和执行结果进一步形成 PCN Trace。

一次状态迁移由此形成完整的工程上下文：从当前状态出发，确定目标状态与目标状态入口，组织相关状态，经 PCN 前置判定形成 C/A/E × S/D/B 的 CAE-SDB 判定结果，再通过控制仲裁形成相应的控制路径，执行后将本次输入、判定、控制和执行结果记录为 PCN Trace。

TPCA / PCN 在这里承担的核心作用，是先把一次状态迁移的问题空间组织清楚。确定性控制、优化算法和学习算法，都可以在这一问题空间中承担适合自身能力的位置。

5. 从单个入口到多主体协同系统

前面的机器人抓取案例对应一个自动化执行单元中的目标状态入口。当系统进一步扩展到 AGV / AMR 群控、MES / WCS 协同以及多设备自动化时，系统中会出现多个相互关联的目标状态入口。

例如任务进入执行、车辆进入区域、资源进入占用、站点进入接收、车辆进入充电等，都可以形成各自明确的状态迁移入口，并分别配置相应的 PCN。

这些 PCN 按照实际状态迁移关系、资源关系、许可关系和执行链关系连接起来，形成 PCN Network。

此时，一个主体的状态迁移还可能改变其他主体后续可以进入的状态。例如 AGV-A 改道之后，共享路径占用发生变化，AGV-B 开始等待，Station-C 接收延迟，后续任务需要重新分配。

在单个自动化执行单元中，工程重点通常集中在设备在什么条件下能够进入下一执行阶段。进入多主体协同系统以后，系统还需要持续处理：多个主体什么时候、在什么条件和许可下、通过哪条可执行路径进入下一状态。

随着自动化系统进一步向多主体协同和无人化方向发展，状态迁移问题也会从单点控制逐步扩展为系统级状态迁移网络问题。

总结

智能算法越来越擅长识别、预测和优化，而生产线的物理状态迁移入口仍然必须明确回答：现在能不能执行？

在两者之间，真正需要被工程化的，是当前状态迁移到底应该观察哪些状态、这些状态是否仍然有效，以及当前允许进入哪条控制路径。

TPCA / PCN 的定位，就是围绕明确的目标状态入口，把这一状态迁移问题组织成可设计、可判定、可控制和可记录的工程结构。

随着自动化从单个设备进一步发展到多主体协同，这一问题也会从单个入口扩展到多个入口之间的状态迁移网络。

相关内容

参考理论

  • P. J. Ramadge, W. M. Wonham, Supervisory Control of a Class of Discrete Event Processes, SIAM Journal on Control and Optimization, Vol. 25, No. 1, pp. 206–230, 1987.
  • Shigemasa Takai, Supervisory Control of Discrete Event Systems, IEICE Fundamentals Review, Vol. 7, No. 4, pp. 317–325, 2014.
  • Ayoub Echchahed, Pablo Samuel Castro, A Survey of State Representation Learning for Deep Reinforcement Learning, arXiv preprint, 2025.

文档信息

题目：为什么智能算法越来越强，生产线的底层控制仍然需要确定性判定？
文档类型：技术札记
版本：Public Note Version 1.0
首次发布日期：2026-09-15
最后更新：2026-09-15
作者：全野南政 / Nansei Zenno

本文属于 TPCA / PCN 状态迁移前置控制体系的公开说明内容。