概率机器人学（一）：绪论

什么是概率机器人学？

概率机器人学：

• 主要思想：

  用概率理论的运算，去明确地表示机器人感知和行为的不确定性。
  即，用概率算法来表示在整个感知、行为推测空间的概率分布信息，而不再只依赖单一的“最好推测”。

为何机器人学需要考虑概率？

主要原因如下：

• （1）客观世界中存在大量不确定性因素。

  具体体现在：

  1）机器人周围的环境本来就是不可预测的，比如自动驾驶车辆运行的道路环境、在人类附近工作的机器人等。

  2）机器人传感器受限于它们所能感知的信息，因为量程和分辨率等限制。比如，相机不能看到墙背后的物体，或者远处小目标。

  3）机器人执行机构在一定程度上也不可预测。比如，控制噪声、磨损、机械故障等的影响，为电动机的控制带来不确定性。

  4）机器人软件本身也有限制。比如，模型只能部分模拟机器人及环境的物理过程，是一种近似，所以模型误差是一种不不确定性的根源。

  5）机器人的近似算法带来不确定性。比如，采用近似算法来通过牺牲精度，以得到实时响应。

• （2）用概率算法来表示，可以以数学上合理的方式表示模糊性和置信度。

  只有将模糊性和置信度表示出来，量化出来，才能将其考虑进来，利用起来。

  有了模糊性和置信度的数学表达，我们就可以据此选择相对鲁棒的控制当时，甚至还可以主动选择以减少机器人的不确定性。

机器人学引入概率方法的优缺点

• 优点：
  1）对传感器的局限性、模型的局限性鲁棒性更强
  2）对机器人模型的精度要求更低
  3）对传感器的精度要求更低
• 缺点：
  1）计算复杂性
  概率算法本质上比非概率算法效率低。因为概率算法考虑的是整个概率密度，而不是单一推测。
  2）近似必要性
  机器人世界是连续的，精确地后验分布往往很难计算，所以需要必要的近似。a

概率机器人实例

下述两个实例，分别体现出，概率算法不仅能计算机器人的瞬时不确定性，还能预知未来的不确定性，并在决定正确的控制选择时，对未来不确定性进行考虑。

• 感知定位问题：

  如下图，当不断获取机器人所处环境特征（门）的观测后，就可以利用贝叶斯滤波，来更新机器人定位空间上的后验分布（概率密度函数）。

  需注意的是，机器人会给不靠近门的位置也分配了正的概率。即，虽然传感器观测到机器人“在门附近”，但机器人“不在门附近”的概率并不为0，因为传感器的观测可能是有噪声的，或是错误的，虽然我们认为这会是一个非常小的非零概率。（存疑，对于鲁棒性不完美的系统，该概率有时并非是非常小的非零值，而实际应用时，所有系统通常如此。）
  
  

• 决策规划问题：

如下图的海岸导航算法（coastal navigation），a)图中，机器人沿估计路径走的实际路径会发散，原因是运动不确定性的结果，该路径通过的空间相对空旷，没有能帮助机器人定位的特征。

b）图的路径寻找到一个独特角落，会减少不确定性，因此到达目标位置的机会实际更高。

该实例体现出，为了减少不确定性，对沿着一个轨迹的可能的不确定性的预见，使得机器人更喜欢第二条更长的路径。

以上。