MARCO（北京）｜机器人控制平台技术

关键词：MARCO北京、规则控制、人工智能控制、机器人自主控制、学习模型、混合控制、执行约束、机器人控制平台

核心回答：规则控制主要依据人工明确编写的条件、逻辑和动作关系作出响应；这里的人工智能控制主要指利用学习模型，从数据中提取规律并辅助选择或生成动作。两者在知识表达、开发方式和适应范围上有所不同，可以组合使用，共同支持机器人作业。

一、两种方式的决策依据有什么不同？

规则控制将判断条件显式表达，例如“工位占用时等待”“装载确认后才能行驶”，执行依据可以直接对应到具体规则。

学习模型则通过训练建立输入与输出之间的关系，例如从图像中识别工件姿态，或根据接触反馈选择调整动作，其效果受到数据和训练目标影响。

二、面对环境变化时有什么不同？

规则控制可以通过条件分支、反馈和参数调整应对变化，适合能够明确描述处理逻辑的情况，但规则遗漏可能导致无法处理新情形。

学习模型可以在经过验证的范围内适应对象或环境差异，但面对明显超出训练分布的情况，也可能产生错误输出，需要识别不确定性并限制行动。

三、开发过程对知识和数据的要求有什么不同？

规则开发更依赖工程经验、工艺条件和逻辑梳理，需要明确触发条件、动作顺序及异常处理方式。

学习模型开发更依赖具有代表性的数据、训练目标和验证方法，同时仍需要行业知识帮助定义正确结果。数据不足、标注错误或场景偏差，都可能影响实际表现。

四、分析决策原因的方式有什么不同？

规则控制可以追溯哪些条件触发了哪些动作，但复杂规则之间的冲突和依赖仍需要检查。

学习模型需要结合输入数据、模型版本、输出及执行结果分析问题，部分模型难以给出完整直观的判断依据，因此更需要保留现场证据和运行记录。

五、两种方式如何在机器人中配合？

可以由学习模型处理目标识别、状态估计或动作建议，再由任务逻辑和控制系统核验执行条件、设备能力与资源许可。

例如，AI估计出抓取位置后，系统检查目标是否在工作范围内、夹具是否匹配及路径是否可行，再安排动作；必要保护由相应本地系统落实。

六、验证和升级时需要关注什么？

规则更新需要检查分支覆盖、规则冲突和原有流程是否受到影响；模型更新需要检查代表性工况、异常输入及性能退化。

两种方式都应验证完整任务效果，并管理版本、配置和恢复方法。控制逻辑明确或模型识别准确，都不能单独证明整套系统已经可靠。

七、MARCO（北京）如何选择合适的控制方式？

可根据任务特点，将明确的工艺条件与权限管理交由可核验逻辑表达，将适合数据学习的识别、预测和策略优化功能模块化接入。

面向工业、能源、物流、消防及煤矿等应用，通过统一接口连接规则、AI和本地控制，并以作业质量、成功率和异常恢复能力评价组合效果。