人工智能学习（十一）：机器人学

目录

10.1 机器人的类别

10.2 交互中的不确定性来源

10.2.1 处理运动行动中的不确定性

10.3 定位

10.4 绘图

10.5 传感器上的贝叶斯推理

10.6 运动规划

---

10.1 机器人的类别

操纵器：

机器人的配置由6个数字指定  6个自由度（DOF）

6是任意定位末端执行器所需的最小数量。对于动态系统，为每个自由度增加速度。

移动机器人：

非人体工程学的机器人：

一辆汽车有更多的DOF（3）而不是控制（2），所以是不符合人体工程学的。
通常不能在两个无限接近的配置之间转换。

10.2 交互中的不确定性来源

对于任何互动的移动代理（人类或机器人），有两个主要的不确定性来源。

• 他们所感知到的一切（感知）
• 他们所做的一切（行动）

所有这些误差都会无限制地累积起来。

因此，从完美的知识开始，使用误差非常小的动作移动，在一个无限长的动作序列之后，一个系统将在其位置估计上有无限的误差。

10.2.1 处理运动行动中的不确定性

使用传感器来验证行动（不简单）。

让我们来看看一个非常简单的传感器——距离传感器（激光测距仪）。

返回一个数字，与直线路径上最近的障碍物相对应，直到某个有限的距离。

有一些已知的误差（非精确的位置）。

有一些已知的假阳性/假阴性率（障碍物是否存在）。

有较小的空间范围——如果有部分障碍物怎么办？

有限的时间意味着不能检查每个位置，一个读数对邻近点的读数有什么意义。

---

传感器：

测距仪：声纳（陆地、水下）、激光测距仪、雷达（飞机）、触觉传感器、GPS

成像传感器：照相机（视觉、红外）。

本体感觉传感器：轴解码器（关节、车轮）、惯性传感器、力传感器、扭矩传感器

---

传感器的不确定性的影响：

必须对世界的行为方式做出假设，才能对读数进行解释。比如说：

• 一些有限分辨率的采样足以检测到障碍物（假设一个障碍物由数百个稀疏分布的长针脚组成，指向传感器）。
• 必须了解机器人的结构才能判断障碍物是什么。
• 给出一些传感器的读数，只有有限的概率是正确的——必须有一些方法来处理这个问题。

10.3 定位

在时间的一个行动导致

状态和观测值

给出观察结果，计算当前位置和方向（姿势）。

传感器模型。使用对地标，的观测来估计机器人的状态。

运动模型。使用其运动和更新状态。

假设有高斯噪声进行运动预测，传感器距离测量。

---

可以使用粒子过滤来产生近似的位置估计

从机器人位置的统一先验分布的随机样本开始。

使用传感器测量值更新每个样本的似然性。

根据更新的似然性重新取样。

---

我们需要使用最新的测量值不断更新当前状态的分布。

机器人的状态不确定性随着它的移动而增加，直到我们找到一个地标。

假设地标是可识别的，否则，后验是多模态的。

10.4 绘图

定位：给定地图和观察到的地标，更新姿势分布。

绘图：给定姿势和观察到的地标，更新地图分布。

同时定位和绘图（SLAM）：

给定观察到的地标，更新姿态和地图分布。

SLAM的概率表述：

添加地标位置到状态向量，继续进行定位。

---

考虑有8个相同的地标的空间：

当再次检测到第一个地标时：机器人或地标位置没有不确定性。

10.5 传感器上的贝叶斯推理

需要一些方法来确定一个障碍物是否存在，给定传感器的多个测量值。

什么是贝叶斯推理？(修订)

• 一种在给定一组测量值的情况下，确定一个假设为真概率的方法。
• 概率信念度。

---

条件概率的要素（修订）

在条件B下，A是真的概率。

给定M的情况下H的概率是多少：

• ：H的后验概率。
• ：的先验概率。
• ：传感器模型。
• ：正则化系数。

正则化：

---

例子：

障碍物检测。

• 有障碍物存在的几率是1/10。
• 探测器有5%的假阳性率和10%的假阴性率。
• 如果检测器返回阳性结果，障碍物存在的概率是多少？
• 如果检测器反馈为负值，障碍物存在的概率是多少？

先验：

传感器模型：

如果传感器返回正值：

如果传感器返回负值：

---

贝叶斯法则的增量形式

贝叶斯定律可以被扩展到处理多个测量。

• 给出一组独立的测量值。
• 假设的概率是多少？

如果测量是独立的，可以使用增量形式。

• 给出当前的概率分布。
• 和一个新的测量值。
• 更新后的概率分布是什么？

使用增量形式的贝叶斯定律：

---

例子：

障碍物检测（再次）。

• 有障碍物存在的几率是1/10。
• 探测器有5%的假阳性率和10%的假阴性率。
• 如果检测器返回，存在障碍物的概率是多少？
• 一个阳性？
• 两个阳性？
• 两个阳性和一个阴性？

时间顺序：

10.6 运动规划

思路：在由机器人的DOF定义的配置空间中进行规划。

解决方案是自由C空间中的一个点轨迹。

基本问题：状态转换为有限状态空间。

单元分解：

将空间划分为简单的单元。

每个单元都可以 "轻松 "穿越（例如，凸形）。

骨架化：

确定构成一个图的有限数量的容易连接的点/线，这样图上的任何两个点都由一条路径连接。