【摘要】：并不是所有的机器人感知都与定位和绘制地图有关。然而，并不是所有可运转的机器人感知系统都依赖于概率表示。例如，想象一个有腿的机器人正要抬起一条腿迈过障碍物。然而，我们也可以认为腿的高度是机器人控制器的一个辅助变量，而没有直接的物理含义。这样的表示方法在机器人学中并不少见，对于特定的问题它们工作得很好。对于诸如定位和地图绘制等许多困难的感知问题，概率技术表现出比其它方法好的性能。
并不是所有的机器人感知都与定位和绘制地图有关。机器人还能感知温度、气温、声音信号等。许多这些量都可以进行概率估计，如同在进行定位和绘制地图时所做的。这些估计方法所需要的全部就是能够刻画状态变量随时间的演化的条件概率分布，以及能够描述测量值与状态变量的关系的其它分布。
然而，并不是所有可运转的机器人感知系统都依赖于概率表示。实际上，尽管在我们所有例子中的内部状态都有明确的物理解释，但这并不是必需的。例如，想象一个有腿的机器人正要抬起一条腿迈过障碍物。假设这个机器人使用了一条规则：它最初将这条腿移动到一个较低的高度，然后只要前一个高度致使它碰到障碍物，它就将腿不断抬高。我们能说受控制的腿高度表示了世界中的某个物理量吗？也许答案是肯定的，因为它们与障碍物的高度和陡峭程度有关。然而，我们也可以认为腿的高度是机器人控制器的一个辅助变量，而没有直接的物理含义。这样的表示方法在机器人学中并不少见，对于特定的问题它们工作得很好。
机器人学的趋势很明显正在朝着具有明确语义表示的方向发展。对于诸如定位和地图绘制等许多困难的感知问题，概率技术表现出比其它方法好的性能。然而，统计技术有时候太笨拙了，在实用中简单的解法也许同样有效。为了有助于决定采用哪种方法，与真正的实体机器人一起工作的经验是最好的导师。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
