Probabilistic Approaches to Robotic Perception

این کتاب سعی می‌کند به پرسش‌های زیر بپردازد: چگونه باید عدم قطعیت و ناقص بودن ذاتی حس کردن محیط را به‌گونه‌ای نشان داد و مدل‌سازی کرد که استقلال ربات را افزایش دهد؟ چگونه یک سیستم روباتیک باید درک، استنتاج، تصمیم گیری و عملکرد موثر داشته باشد؟ اینها دو مورد از سوالات چالش برانگیز جامعه رباتیک و محققان روباتیک هستند.

توسعه دامنه رباتیک در دهه 1980 باعث همگرایی اتوماسیون به خودمختاری شد و در نتیجه حوزه رباتیک به سمت این رشته همگرا شده است. هوش مصنوعی (AI). از پایان آن دهه، تخیل عموم مردم با انتظارات بالا در مورد خودمختاری تحریک شده است، جایی که هوش مصنوعی و رباتیک سعی می کنند مسائل شناختی دشوار را از طریق الگوریتم های توسعه یافته از حدس های فلسفی و انسان شناختی یا مفاهیم ناقص استدلال شناختی حل کنند. بسیاری از این پیشرفت‌ها حتی تعداد کمی از فرآیندهایی را که ارگانیسم‌های بیولوژیکی از طریق آن همین مشکلات را با انرژی و منابع محاسباتی کم حل می‌کنند، آشکار نمی‌کنند. نتایج ملموس این گرایش تحقیقاتی بسیاری از دستگاه‌های رباتیک بود که عملکرد خوبی را نشان می‌دادند، اما فقط در محیط‌های کاملاً تعریف شده و محدود. سازگاری با سناریوهای مختلف و پیچیده‌تر بسیار محدود بود.

در این کتاب، کاربرد مدل‌ها و رویکردهای بیزی به منظور توسعه سیستم‌های شناختی مصنوعی که وظایف پیچیده را در محیط‌های دنیای واقعی انجام می‌دهند، تشریح شده است. طراحی سیستم‌های مصنوعی خودمختار، هوشمند و تطبیقی ​​که ذاتاً با عدم قطعیت و «ناقص بودن غیرقابل کاهش مدل‌ها» سروکار دارند.

This book tries to address the following questions: How should the uncertainty and incompleteness inherent to sensing the environment be represented and modelled in a way that will increase the autonomy of a robot? How should a robotic system perceive, infer, decide and act efficiently? These are two of the challenging questions robotics community and robotic researchers have been facing.

The development of robotic domain by the 1980s spurred the convergence of automation to autonomy, and the field of robotics has consequently converged towards the field of artificial intelligence (AI). Since the end of that decade, the general public’s imagination has been stimulated by high expectations on autonomy, where AI and robotics try to solve difficult cognitive problems through algorithms developed from either philosophical and anthropological conjectures or incomplete notions of cognitive reasoning. Many of these developments do not unveil even a few of the processes through which biological organisms solve these same problems with little energy and computing resources. The tangible results of this research tendency were many robotic devices demonstrating good performance, but only under well-defined and constrained environments. The adaptability to different and more complex scenarios was very limited.

In this book, the application of Bayesian models and approaches are described in order to develop artificial cognitive systems that carry out complex tasks in real world environments, spurring the design of autonomous, intelligent and adaptive artificial systems, inherently dealing with uncertainty and the “irreducible incompleteness of models”.