(4) Clough和Boskovic等人认为自主控制是指自主控制系统在没有人的干预下自主、快速和有效地适应环境，能够实现实时在线的对环境进行感知、处理信息和控制策略的重构，并以最优的方式执行控制策略。该定义从信息处理过程的实时性角度分析了自主控制系统应该具有的能力，并强调了在线感知、自主进行方案选优和以最优方式执行控制策略。

(5)蔡自兴等人认为自主控制是在没有人的干预、无需对环境作任何规定和改变的条件下，有目的地移动和完成相应任务的能力。该定义主要是从移动机器人系统的角度出发，强调了自主控制系统的适应性和目的性。

总的来说自主控制是在没有人的干预下，把自主控制系统的感知能力、决策能力、协同能力和行动能力有机的结合起来，在非结构化环境下根据一定的控制策略自我决策并持续执行一系列控制功能完成预定目标的能力。

可变自主控制是一种将人类智能同机器智能结合起来的控制方式，为了最大化系统的自主控制能力尽量减轻人类的工作负荷，系统具有多个层次的自主控制等级，并在非结构化环境下根据一定的策略自我评估自主控制等级，在合适的时候向人类发出控制邀请，实现人机智能融合的控制方式。该控制方式虽然有人类的介入，但是这并不意味着机器自主控制能力的降低，而是在现有控制能力的基础上引入人类的智慧，帮助机器减轻问题的复杂度，人类和机器之间取长补短实现更高层次的智能水平。把人类和机器的信息获取能力、信息分析能力、决策和行为选择能力有机的结合起来，通过机器的执行系统将人类和机器的共同智慧转化成为智能行为。从而实现在非结构化环境下，使用人机融合的智能来分析问题、制定策略最终解决问题的控制方式。让智能系统拥有最大限度的智能水平，从而能够解决人类和机器没有合作之前无法解决的问题。

可变自主控制系统最大的特征就是系统拥有若干个自主控制等级，每个控制等级对应着不同的控制策略。机器的自主控制等级越高主动性就越强，在全自主控制方式下，机器具有完全的主动权从而忽略人类的存在。而在手动控制方式下，机器拥有最少的主动权甚至没有主动权，此时人类在主动权上占有绝对的优势。机器能够动态的在人类和机器之间主动协调分配可变自主控制系统的控制权。这样必须为机器制定一个调整控制等级的方法策略，机器会根据不同的任务环境背景在任务执行中采用不同的自主控制等级模式，在需要的时候机器会主动提示人类手动干预和操作机器设备，帮助机器减轻问题的复杂度，或者在某段时间内让人类接管部分或者全部控制权。

具有可变自主控制能力的智能系统，可以很好的将人类的智能和机器的智能结合起来。在可变自主控制系统里，人类和机器己经构成一个不可分割的有机整体。人类和机器之间相互帮助、各挥所长，各自尽自己最大努力为可变自主控制系统的智能提供信息和智能支持。让可变自主控制系统始终工作在最佳的状态，并且拥有比人类和机器没有合作之前更高的智能水平，最终实现1+1>2的目的。最终能够解决人类和机器没有合作之前无法解决的问题。

自主控制系统的智能是以人工智能为基础的。人工智能的研究一直以来是以理解、模拟人类智能为核心。在人类研究人工智能的过程中，人类从人文主义、逻辑主义、联结主义等各种不同的智能产生途径为基础开展研究。麻省理工学院的Parasuraman等人从智能信息处理过程的角度介绍了一种人类处理信息并产生智能的四层次结构，分别是感觉加工(Sensory Processing)、感知和认知记忆(Perception / Working Memory)、决策制定(Decision Making)、行动选择(Response Selection)，如图1所示。

Parasuraman等人认为自主控制系统是一个智能化的控制系统，所以图1所示的人类处理信息并生成智能的四个层次结构同样适用于机器系统，并将该层次结构应用到了自主控制系统之中，提出了自主控制系统信息处理的四个层次结构，分别是信息获取(Information Acquisition)、信息分析(Information Analysis)、决策和行动选择(Decision and Action Selection)、行动实施(Action Implementation)，如图2所示。

信息获取

信息获取是产生智能的必要步骤，因为从世界的信息海洋之中有针对性的获取相关问题的信息是智能产生的基础。信息获取层是智能控制系统的信息来源，是智能的源泉。信息获取，可以通过具有感知能力的生物器官或者机器传感器来完成，将智能控制系统所处世界中的信息转化为智能控制系统可以处理的电流和电压信号。信息获取层源源不断的为智能产生提供信息原料，为智能控制系统提供最基础的信息支撑，所以信息获取层是其它三个智能信息处理层次的智能基础。

信息分析

智能控制系统在获取信息之后需要对信息进行分析，信息分析就是把信息加工成智能控制系统可以理解的更加抽象和普遍适用的知识，方便决策模块直接使用，这就要求智能控制系统具有认知的能力。认知的形成有归纳和演绎两种基本途径，而归纳和演绎又是相辅相成。归纳是通过对具有相似性的事物和现象进行大量观察，并通过研究和总结找出相似事物和现象之间具有普遍规律的认知信息，是由特殊到普遍的认知方法。而演绎正好相反是根据具有通用性的认知信息进行推理并认识个别的、特殊的事物和现象，是由普遍到特殊的认知方法。信息分析层能够正常工作的条件，就是信息获取层能够为其提供基本的信息支持。也就是说没有信息获取层进行信息的获取，信息分析层就没有信息可以分析。所以信息分析层必须建立在信息获取层之上。又由于信息的分析需要智能的支持，所以信息分析层具有比信息获取层更高的智能层次和智能水平。

决策和行动选择

信息获取和信息分析的目的是为需要解决的问题提供信息，这就需要根据解决问题的策略或者规则对于信息进一步加工，最终形成解决问题的方案，这就要求智能控制系统具有决策和行动选择的能力。对于智能控制系统来说决策和行动选择是两种不同的智能形式，这两种智能形式分别对应于慎思型的决策和基于规则的条件反射。

慎思型的决策是指信息通过信息分析层加工成智能控制系统可以理解的信息，使用一系列的先进决策方法形成最终的决策。这种决策过程通常具有较高的智能，整个决策过程可能会有信息的反馈，这种反馈是一种假设。假设用于对决策的结果进行验证。这是因为决策最终不一定会成为行动，而决策本身可以引发新的分析任务。智能控制系统通过假设将决策的结果放到环境之中进行推理学习，并判断结果是否可行或者最优。典型的带有推理和假设的学习方法有贝叶斯阴阳学习理论，这是一种由条件推导出结果，再反过来看看结果是否可以推导出条件的人工智能学习方法。在现实生活中人类也会有这样反复推敲的行为，先根据问题和问题环境提出解决问题的假设然后在问题环境中去验证假设的正确性如此反复的推敲，推敲过程中不断学习直到最后得到理想的问题解。慎思型的决策产生的慎思型智能行为信息处理过程如图3所示。

行动实施

当决策和行动选择层产生慎思型决策信息或者条件反射型行为控制指令信息以后需要智能控制系统的行动实施层将这些信息转换成为具体的智能行为，把智能控制系统的意志转化成为智能行为并作用于环境，从而实现慎思型的决策和基于规则的条件反射，最终达到解决问题的目的。所以行动实施层所需要的信息和表现出的智能又是建立在信息获取层、信息分析层以及决策和行动选择层三个层次之上，拥有更高的智能层次和智能水平。

这样，经过上述分析Parasuraman等人的控制系统四层信息处理过程就成为一个智能层次和智能水平由低到高的有序智能层次结构。高层的智能建立于低层智能之上，因此高层具有比低层更高的智能层次和智能水平。所以从最底层的信息获取层依次到最高层的行为实施层，各层拥有的智能越来越多、智能水平也越来越高。

那么对于可变自主控制系统来说，当人类完全不介入机器智能控制系统时，机器处于完全自主控制的模式。当人类介入机器智能控制系统的智能层次越低，人类给予机器的智能补充就越少、机器对人类的依赖就越少、机器的主动性就越多，所以机器的自主控制等级就越高。同理，当人类介入机器智能控制系统的智能层次越高，人类给予机器的智能补充就越多、机器对人类的依赖就越多、机器的主动性就越少，所以机器的自主控制等级就越低。当人类忽略机器的智能控制系统，手动遥控操作机器的时候，机器就完全丧失了自主控制的权利。所以本文以人类介入机器的智能层次高低作为人类为机器提供智能帮助的度量依据，即机器自主控制等级划分的垂直划分依据。

人类和机器在不同的智能信息处理层次进行智能融合的时候，一定会有不同的合作方式。在不同的合作方式下，人类和机器之间会有主动、协商或者被动的合作关系。在人类和机器两类智能体进行智能融合的可变自主控制系统中，存在机器全自主、机主人辅、人机协商、人主机辅和人类全手动五种人机合作方式：

机器全自主

机器具有完全的自主控制能力且占据完全的主动。通常这种情况下，机器具备的智能可以支持其完全自主完成任务，并能够应对环境变化带来的未知问题，自主产生新的方案和目标。该人机合作方式不需要人类的监督和帮助也能拥有较高的工作效率。

机主人辅

在人机智能融合的智能体团队中，人类为机器提供必要的辅助信息，帮助机器减轻问题的复杂度实现问题的求解。在问题比较复杂的情况下参与问题求解或者帮助机器作出适当的选择。在问题的求解过程之中，机器相对于人类占据了主动权并拥有最终的决策权，机器始终对于整个智能体团队的智能贡献最大，并且占据主动性优势。

人机共商

在人机智能融合的智能体团队中，人类和机器相互协商共同解决问题。共商特点是:在解决问题的过程之中任何智能体都不占据绝对的主动性优势，智能体之间相互协商最终得到一个所有智能体都能认同的方案。如果协商无法产生合适的方案且继续协商下去就会错过问题解决的最佳时机，那么智能体团队就要考虑使用其它的合作方式来解决问题。人机协商目前还是人工智能领域的难题，所以该方式在实际中的应用相对较少。

人主机辅

在人机智能融合的智能体团队中，人类对于智能体团队的贡献最大，且占据主动性优势。机器由于拥有丰富的传感器和快速的计算分析能力，可以辅助人类分析和解决问题。人主机辅方式中虽然人类占据主动，但机器并没完全丧失主动权，机器在整个团队中还是具有一定话语权的。机器一方面为人类提供有用的数据信息和建议，另一方面帮助人类获得决策的反馈效果，但最终决定权始终在人类那里。

用户全手动

人类占据完全的主动。通常这种情况下，人类手动完成原先机器的工作并忽略机器的存在，人类通过人机界面直接完成对机器的遥控操作。但是对于远程控制的机器人来说，由于人类并不在工作现场，需要依赖机器才能完成信息获取工作，所以很难有完全意义上的全手动操作。

这五种工作方式的区别主要在于人类介入的程度不同以及人类和机器的主动性差异。人类介入的程度越低则提供的智能就会越少、对智能体团队提供的智能贡献就越少、占据的主动性就会越少，机器的自主控制等级就会越高。同理，人类介入的程度越高则提供的智能就会越多、对智能体团队提供的智能贡献就越大、占据的主动性就会越强，机器的自主控制等级就会越低。在机器全自主和用户全手动两个边界上，前者人类完全不介入机器的智能，机器拥有完全的自主控制能力;后者，人类完全占据主动，遥控操作机器，机器在该合作模式下几乎完全失去了自主控制能力。所以本文将人类和机器的合作方式作为机器自主控制等级划分的依据，即机器自主控制等级划分的水平划分依据。