实时控制系统

RCS-1控制架構的圖示

RCS-1是強調結合命令及感測回授，因此可以結合目標及狀態，計算適當的回應。此應用程式在視覺訴求的任務中，可以配合結構化的光學視覺系統來控制機械手臂。RCS-1明顯的受到数学模型的影響，像是Marr-Albus模型[5]以及小腦模型類神經網路（CMAC）模型[6][2]。

若CMAC的一些輸出是直接回饋到輸入時，CMAC就變成有限状态机。因此RCS-1可以實現為用不同控制層級分層規劃的一組狀態機。在每個層級，輸入命令會有效率的選擇一個行為，這些行為是以刺激-反應模型的反馈來驅動。因此CMAC就成為了RCS-1的參考模型建構模塊，如圖所示。

建構模塊的階層可以用來實現階層行為，如尼古拉斯·廷贝亨[7]及其他人所觀察到的一樣。RCS-1在許多層面類似罗德尼·布鲁克斯的包容体系结构（subsumption architecture）[8]，不過RCS是以命令表示的目標來選擇其行為，而包容体系结构是由包容体系中的事實來選擇行為[2]。

RCS-2控制架構的圖示

下一代的RCS-2是由1980年代早期由國家標準技術研究所自动化制造研究基地（AMRF）的Barbera、Fitzgerald、Kent等人針對製造控制所開發[9][10][11]。基本的RCS-2建構模塊如圖所示。

RCS-2的H函數仍然是有限状态机狀態表執行器。RCS-2的新功能是引入了由許多感測器處理演算法（包括結構光及Blob分析演算法）組成的G函數。其中，用RCS-2來定義八個層級的分層，包括伺服、座標轉換、E-Move、任務、Workstation、Cell、Shop及Facility levels of control。

最後只架設了前六層。有二個AMRF工作站完整實現了RCS-2中的五層。軍用領域Material Handling Robot （FMR）的控制系統[12]也是由RCS-2實現的，TMAP的無人地面載具計劃也RCS-2實現[2]。

RCS-3控制架構的圖示

RCS-3是設計在NBS/DARPA的多重自主水下載具（MAUV）專案中使用[13]，也適用於NASA/NBS為了太空站Flight Telerobotic Servicer所設計的標準參考模型遠端機器人控制系統架構（NASREM）[14]，其基本建構模塊如圖。

RCS-3中主要的新特徵是世界模型以及操作者界面。世界模型的引入是任務規劃以及模型為基礎的感測器處理的基基礎。因此也讓任務分解模塊（TD）再進行調整，其中包括了工作分配器、以及針對每一個分配到工作的子系統的規劃器以及執行器。這大致對應Saridis的[15]三層控制架構[2]。

RCS-4控制架構的圖示

RCS-4是由NIST的機器人系統部門在1990年代所設計。其基本建構模塊如圖所示。主要的主特點是明確的劃分出價值判斷（Value Judgment，簡稱VJ）系統。VJ模組在RCS-4系統中的功能類似邊緣系統在大腦中的作用。VJ模組中的程式會計算計劃行動的成本、效益及风险，並且針對物體、材料、區域、情境、事件及結果給多不同的價值。價值狀態變數會定義為結果重要的事情，或是需要參與、攻擊、防守、協助或是進行其他行動的物體或區域。價值判斷在智慧控制系統的應用是由George Pugh提出[16]。價值判斷模組的架構及功能主要是由Albus(1991)所完成[2][17]。

RCS-4使用了行為產生（behavior generation, 簡稱BG）來取代RCS-3的任務5分解（decomposition, TD）。這個調整是要強調自主决策的程度。RCS-4可用來在沒有高頻寬通信的非結構化環境下，處理高度自主性的應用，例如在戰場上使用的無人機、深海、或是遙遠的行星上。這些應用需要自主的價值判斷以及複雜的實時感知能力。RCS-3仍會用在要求比較低的應用中，像是制造业、工地、近太空或淺海的遠程機器人，這些環境比較有結構，而且比較可以有高頻寛的通訊。在這些應用中，價值判斷會包括在任務規劃的過程，或是由操作人員輸入[2]。