智能无线机器人:人工智能算法与应用 书名：智能无线机器人:人工智能算法与应用 自2012年基于卷积网络的深度网络模型AlexNet在图像分 机器人技术已经发展了几十年 作者简介 人工智能技术和相关领域的进展已经为健康、教育、能源、经济融合 人工智能一般认为是有智能行为的可计算智能体的综合和分析 在广泛的人工智能领域中，智能体上的人工智能是最有趣的，并与机 在我们的范围内，智能体合理地行动，这意味着合理的智能体应该做 任何人工智能系统通常在时间上都是动态的，尤其是在机器人领域 智能体要采取正确的动作，与传感器对环境状态的检测有关 机器人通常被认为是物理智能体，通过操纵物理世界执行动作来完成 人工智能的第一个技术成果是逻辑结构的推理，基于规则的操作可以 调度问题实际上可视为一个约束满足问题（Constraint 我们回到高效求解CSP，首先要注意： 15.智能无线机器人:人工智能算法与应用 在第1章中，我们可能已经注意到设计AI智能体的核心问题是搜索 问题求解智能体是一种基于目标的智能体，并使用原子表示，而世界 正如第1章所指出的，AI问题可以通过构造树形图并在树上搜索可 除了问题中提供的信息之外，没有进一步的信息的搜索策略称为统一 广度优先搜索是一种简单而直观的策略，它首先展开根节点，然后展 动态规划方法最初是由Bellman在1957年为了控制而提出 与广度优先搜索不同，深度优先搜索（Depth-first 在许多情况下，我们可以利用超出问题本身定义的特定问题的知识， 一个搜索算法可能输出很多解[1]，然后我们必须采取一些性能度 函数ψ（·）称为线性的，如果满足∀x，y∈Rn，∀a，b∈R 如果最优化问题不是线性的，它就是非线性规划（nonlinea 最小二乘（Least-Squares，LS）问题是一类特殊的 28.智能无线机器人:人工智能算法与应用 自20世纪50年代末以来，机器学习作为一项了不起的技术被引入 如果机器学习在有老师为模型或算法提供反馈的情况下进行，这称为 回归分析可以看作一种估计变量间关系的统计处理方法 贝叶斯分类器是一类基于贝叶斯定理的概率分类器，它通过计算给定 k近邻（k-nearest 支持向量机SVM是另一种用于分类与回归的监督学习模型，它依赖 在本节中，我们将重点介绍一些典型的无监督学习算法，即K均值聚 K均值聚类是一种基于距离的聚类方法，其目的是将N个未标记的训 EM算法[1]是一种迭代方法，用于搜索统计模型中参数的极大似 最先进的大数据可能达到数十亿条记录和数百万个维度 人类大脑可能是动作和推断的最有效的计算机器 一旦我们从传感器或数据采集中获得了原始数据集，在进行数据分析 41.智能无线机器人:人工智能算法与应用 机器人或任何AI智能体的基本功能是做出决策或执行动作 决策是人类最基本的智力行为之一，而由伯努利（D 基于早期的经验做出决策是人类的一种自发行为，由于不确定性，早 贝叶斯决策基于已知先验概率和代价（或等价术语，如风险和损失） 无线电探测和测距（Radio 到目前为止，我们讨论了给定固定数量样本（即观察）的检测（即决 除了基于一段时间的观察做出决策的序贯决策以外，前面章节中的所 现实世界的决策往往会遇到多目标或不相称的情况，在不确定性和风 在研究值函数vπ（x）之前，我们引入另一个符号Gk表示在k轮 虽然我们知道最优策略应该如何满足，但关于精确解的路径问题仍然 在前一节中，我们阐述了求解MDP并获得最优策略的一般方法 假设一个由AI操作的移动目标可以在X个可能的网格（或块）中移 MDP实际上揭示了一个困境，探索与利用 我们可以认为贪婪算法（greedy 随机探索提供了尝试智能体所不了解的选项的机会 汤普森采样（Thompson 58.智能无线机器人:人工智能算法与应用 在前面的章节中，我们介绍了马尔可夫决策过程（MDP）的许多典 强化学习问题的三个基本要素分别是智能体、奖励和环境 K-摇臂赌博机是一个假设的带有K个杠杆的老虎机，但它只有一种 在学习过程中，作为决策者的智能体与环境交互，并配备传感器来确 研究RL的一个广泛使用的公式化表达是马尔可夫决策过程（MDP 解决一个强化学习任务大致意味着，找到一个在长期内获得大量奖励 强化学习可以分为两类：基于模型的学习和无模型的学习 在许多工程项目中，智能体并不确切地知道状态，而依赖某些机制（ Q学习是由Watkins于1992年设计的，它为智能体在面对 Q学习在许多工程场景中得到了广泛的应用 强化学习可以分为两类：基于模型的学习和无模型的学习 知识框（蒙特卡罗模拟） Q学习使用即时奖励来更新动作-值函数 现在，我们将注意力转向将TD预测方法用于控制问题，一个广义的 在这种情况下，我们从MDP来看TD学习，除了更新与场景有关的 74.智能无线机器人:人工智能算法与应用 为了与环境（或世界）交互，机器人可以被视为一个内部状态的动态 统计推断允许机器人了解环境，并有效地执行预测的动作 为了便于计算，通常考虑线性估计 如第5章所述，平稳随机过程的线性预测可以借助维纳-霍普夫方程 对于随机观察Y，由参数θ索引的分布族，其中θ∈Θ⊆E 在实践中，寻找最小方差无偏估计MVUE可能并不可行 在处理动态系统时，由于其特殊性，在机器人技术中的很多情况下， 计算信念的基本方法是利用贝叶斯定理通过递归的方式从B（xt- 高斯滤波是递归状态估计的重要的一族，其信念用多元高斯分布表示 如第3章所示，平稳信号的最优滤波称为维纳滤波（Wiener 推导上述卡尔曼滤波的矩阵方程需要大量的努力 为了减轻线性状态转移和嵌入在高斯噪声中的线性测量的假设，扩展 87.智能无线机器人:人工智能算法与应用 自主移动机器人（Autonomous 使用组成传感器网络的传感器来完成机器人定位，这很简单 由于距离信息嵌入在发射机和接收机之间的传播延迟中，理想情况下 到达角（Angle-Of-Arrival，AOA）是一种基于 在TOA方法中，仍然存在一个需要完成的关键问题，即时延估计（ 由于定位通常涉及不确定性，所以概率方法也是有用的 在引入移动机器人定位技术后，当移动机器人在既没有环境先验信息 为了实际发展SLAM的概念，我们必须利用参考系统（或地图）中 概率SLAM的一个常见解决方案包括为观测模型和运动模型寻找适 图7 定位的主要目的是实现移动机器人的平滑导航 99.智能无线机器人:人工智能算法与应用 在几乎所有的机器人应用场景中，机器人都超越了简单的环境响应， 由于对物理执行器的动作，机器人的智能不能仅仅依靠编程语言和数 为了使机器人能够执行类人操作，理想的知识表示必须是全面的，以 图在知识表示中很有用 在人工智能中，规划和问题求解是高度相似的科目 接着前一章中的定位，本节重点是执行自主移动机器人（AMR）的 下面，我们考虑一个使用RL和规划算法来完成其任务（或达到其目 基于对每个智能体（即机器人）都具有不确定性的系统模型，可以采 固定深度规划（Fixed 在地板清洁任务和其他应对未知环境的任务场景中，探索（在环境中 110.智能无线机器人:人工智能算法与应用 一个最先进的机器人装备了多种传感器，以理解环境，从而可执行具 视觉可能是人类最重要的感知能力，大脑的大部分功能都与视觉有关 计算机视觉的起源可以追溯到1966年麻省理工学院的一个暑期项 在研究大脑和视觉的连接时，人们注意到某些神经元可能在不同方向 简单应用第4章中基于互相关的统计决策理论实际上不足以实现图像 对于像自动驾驶汽车这样的机器人来说，最关键的信息可能是视觉传 在人工智能中，做出适当的决策总是起着重要的作用 例9 在参数估计中，在整个输入空间中定义一个模型，从训练数据或观察 如果一个决策树是为了分类（或假设检验）而建立的，则称为分类树 除了考虑用于回归的适当的不纯度测度之外，回归树的构造与分类树 我们已经介绍了通过连续划分节点来生长树的方法 在许多机器人应用中，决策树是一种提高智能的有效方法 在许多机器人或基于智能体的应用中，获取经验是非常昂贵和耗时的 融合中心通过无线链路对收集到的数据进行推理，是促进物联网中的 假设网络中有N个数据所有者（或传感器）{Si}Ni=1，Si 将联邦学习（FL）与深度学习（DL）相结合通常是很有趣的 我们首先考虑无线网络上的FL问题，如图9 在早期的建模中，我们假设无线网络或精确地说多接入通信上的FL 130.智能无线机器人:人工智能算法与应用 最先进的机器人技术经常处理需要多个机器人来完成一个任务的场景 多机器人任务分配（Multi-Robot MRTA问题可以直接表述为如下的最优分配（Optimal 机器人连续执行任务可以类比第2章的旅行商问题（TSP），机器 MRTA算法分配任务时不考虑任务的顺序，而众包（crowds 当我们在10 通信系统（communication 数字通信系统通常包括一个发射机和一个接收机，即点对点通信 回顾分层网络结构，在DLC和物理层之间需要一个称为介质访问控 在介绍了无线通信和网络技术之后，我们希望将无线通信技术应用到 在5 在8 143.智能无线机器人:人工智能算法与应用 144.智能无线机器人:人工智能算法与应用 索引中的页码为英文原书页码，与书中页边标注的页码一致。 ..更多