行业观察

工厂人机排产别只靠软惩罚：仿真里硬门控把过劳从0.258压到0.011

佛山一条风管模块化产线，机器人焊完一段，系统又把重活派给刚连上两班的老师傅——看板算出来「总完工最短」，班组长看着人心里发紧：人不是参数，累垮了整线都得停。软惩罚扣分听着聪明，挡不住过劳。

港大 CI3 Lab 的 Xue、Li、Zhang 把这种现场张力写成可核对的仿真结果：疲劳约束下的人机任务规划与分配（HRTPA），不能只靠奖励塑形；要用硬约束把不安全任务掩进安全动作集 A^safe。带在线粒子滤波的约束对决双深度Q（PF-CD3Q）把测试阶段平均过劳从无滤波 D3QN 的约 0.258 压到约 0.011。本文只映射工厂管理动作，不整篇转载。

公开可核对的要点

问题设定：HRTPA 要同时管完工与身体疲劳；疲劳模型超参一开始就不准，且随睡眠、环境等日波动；仅在奖励里做软惩罚，仍可能把人派进过劳区。

方法要点（表述以论文为准）：

• 硬门控而非只靠软惩罚：PF-CD3Q = 粒子滤波在线疲劳估计 + 约束对决双深度Q学习；在 CMDP 框架下把不安全任务掩码进 A^safe，不是只靠 reward shaping。
• 仿真场景：NVIDIA Isaac Sim 空调风管模块化产线（仿真实工厂）。粒子数 N_p=500，初始参数噪声 σ_init=0.2。滤波在疲劳累积参数 λ 上误差约 0.0671，高测量噪声下比 KF/EKF 更稳。
• 过劳（测试阶段，每回合疲劳违规均值）：PF-CD3Q 0.011；PF-PPO / PF-PPO-Lag 约 0；无滤波 D3QN 0.258、PPO-Lag 0.267、DQN 0.222。带 PF 的方法几乎消掉过劳。
• 完工时间（测试阶段均值）：D3QN 最优 1281.86；PF-CD3Q 第二 1300.24，相对 D3QN 差距不显著（p=0.219）；PPO 最差 1360.39。
• 用工规模：该设定下人从 1→2 明显缩短完工并降过劳；2→3 收益递减。
• 灵敏度：在疲劳上限 0.95 训练；PF-CD3Q 在 d_k 从 0 到 1 区间过劳持续低于 PPO-Lag；d_k>0.9 时可无违规完成。
• 局限（照实写）：目前仅为仿真；真实部署需要可穿戴疲劳监测与数字孪生——作者说明尚未在实体产线验证。

作者主张：安全排产要把疲劳写成可执行的硬约束动作集，而不是指望「扣分够重就不会派」。

原文：arXiv:2604.12667（PDF：2604.12667）。题目：Safe reinforcement learning with online filtering for fatigue-predictive human-robot task planning and allocation in production。DOI：10.1016/j.jmsy.2025.12.019。

落到珠三角工厂：排产门控别只写在奖励里

多数车间不是缺一个「更会算完工」的排产器，是缺「预测将超疲劳/工时上限时任务直接不可选」的规则。一个可执行的最小自检：

1. 硬门控进派工，不只靠软惩罚——预测将超限的任务从可选集合拿掉（对应文中 A^safe）；软扣分仍可能留下 0.22–0.27 量级的过劳。
2. 疲劳参数要会在线校正——初始模型不准、日波动真实存在；排班系统要能根据当日可观测信号更新，而不是固定一套「标准人」系数跑全年。
3. 先算清 1→2 人的边际，别迷信加人——该仿真里 1→2 收益大、2→3 递减；加人前先问过劳与瓶颈是否已被硬门控收住。
4. 仿真通过不等于产线可上——作者尚未实体验证；没有可穿戴监测与数字孪生闭环前，别把算法试点直接写成制度。

组织力用在这里，是把疲劳预测、安全动作掩码与派工制度钉成同一套门控，而不是再买一个「最短完工」黑盒。

十五分钟自检

本周有没有一次派工只因为「总工时最短」把重活叠给已近上限的人，却没有任何系统级硬拦截？关掉智能排产后，班组长能否在五分钟内按疲劳/工时红线重排？两项空白，就还在「软惩罚够用了」。

数字与表述以 arXiv 论文为准；本文只映射工厂管理动作。