رباتیک علمی است که از طریق دستگاه‌های مکانیکی کنترل شده توسط کامپیوتر، دنیای فیزیکی را درک و کنترل می‌کند. نمونه‌های موفقیت‌آمیز سیستم‌های رباتیک شامل پلتفرم‌های متحرک برای اکتشافات سیاره‌ای، [] بازوهای رباتیک در خطوط تولید، [] خودروهایی که به‌صورت خودکار در جاده‌ها حرکت می‌کنند، [] بازوهای فعال که به جراحان کمک می‌کنند، [] هستند. وجه مشترک سیستم‌های رباتیک که در دنیای فیزیکی واقع شده‌اند، این است که از طریق حسگرها محیط خود را درک می‌کنند و از طریق اشیاءی که حرکت می‌کنند، محیط خود را کنترل می‌کنند.
هرچند بخش زیادی از رباتیک هنوز در مراحل ابتدایی خود است، اما ایده دستگاه‌های “هوشمند” برای کنترل و مدیریت، پتانسیل بسیار زیادی برای تغییر جامعه دارد. آیا خوب نبود که همه خودروهای ما قادر به رانندگی ایمن خودشان باشند و تصادفات خودرو را به یادگیری‌های گذشته تبدیل کنند؟ آیا خوب نبود که ربات‌ها و نه انسان‌ها، به تمیز کردن مناطق آلوده هسته‌ای مانند چرنوبیل بپردازند؟ آیا خوب نبود که خانه‌های ما توسط ربات‌های خدمات هوشمند پر شوند که وظایف خسته‌کننده‌ای مانند بارگیری ماشین ظرف‌شویی، و جاروبرقی، یا پیاد راه بردن سگ را انجام دهند ؟ و در آخر، درک بهتری از رباتیک در نهایت منجر به درک بهتری از حیوانات و انسان‌ها خواهد شد.

حوزه‌های کاربرد فردا از دیروز متفاوت است، مانند ماشین‌های ترکیبی در خطوط تولید که هر روز وظیفه یکسانی را انجام می‌دهند. ویژگی برجسته‌ترین سیستم‌های ربات جدید این است که در محیط‌هایی با ساختارهای ناپیوسته عمل می‌کنند، محیط‌هایی که به طور ذاتی پیش‌بینی ناپذیر هستند. یک خط تولید درجه پیش‌بینی و قابل کنترل بیشتری نسبت به یک خانه خصوصی دارد. به عبارت دیگر، رباتیک وارد حوزه‌هایی می‌شود که ورود اطلاعات حسگری به شدت مهم است و نرم‌افزار ربات باید به اندازه کافی قوی باشد تا با مجموعه‌ای از موقعیت‌ها – اغلب زیادی که نمی‌توان همه آن‌ها را پیش‌بینی کرد – مقابله کند. بنابراین، رباتیک به‌طور فزاینده‌ای به علم نرم‌افزار تبدیل می‌شود، جایی که هدف توسعه نرم‌افزار قوی است که ربات‌ها را قادر به مقابله با چالش‌های بسیاری که در محیط‌های بدون ساختار و پویا ظاهر می‌شوند، می‌کند.

این کتاب بر یک عنصر کلیدی رباتیک تمرکز دارد: عدم قطعیت. عدم قطعیت در صورتی بوجود می‌آید که ربات به اطلاعات حیاتی برای انجام وظیفه خود نیاز دارد. این عدم قطعیت از پنج عامل مختلف بوجود می‌آید:

1. محیط‌ها. دنیای فیزیکی به طور ذاتی پیش‌بینی ناپذیر است. در حالی که در محیط‌های خوب ساختاری مانند خطوط تولید، عدم قطعیت کم است، محیط‌هایی مانند جاده‌ها و خانه‌های خصوصی بسیار پویا و پیش‌بینی‌ناپذیر هستند.
2. حسگرها. حسگرها به طور ذاتی محدودیت‌هایی در درک خود دارند. محدودیت‌ها از دو عامل اصلی بوجود می‌آیند. اول، برد و وضوح یک حسگر تابع قوانین فیزیکی است. به عنوان مثال، دوربین‌ها نمی‌توانند از دیوارها عبور کنند و حتی در دامنه ادراکی، وضوح فضایی تصاویر دوربین محدود است. دوم، حسگرها به نویز وابسته هستند که اندازه‌گیری‌های حسگر را به صورت ناپیش‌بینی اختلال می‌دهد و در نتیجه محدودیت‌هایی را بر اطلاعاتی که می‌توان از اندازه‌گیری حسگر استخراج کرد، ایجاد می‌کند.
3. ربات‌ها. فعال‌سازی ربات شامل موتورهایی است که حداقل به‌صورتی ناپیش‌بینی، به دلایلی مانند نویز کنترل و فرسایش هستند. برخی از فعال‌کننده‌ها، مانند بازوهای صنعتی با دوام، بسیار دقیق هستند. دیگران، مانند ربات‌های تلفیقی ارزان، ممکن است بسیار نادقیق باشند.
4. مدل‌ها. مدل‌ها به طور ذاتی دقیق نیستند. مدل‌ها انتزاعاتی از دنیای واقعی هستند. به عنوان مثال، آن‌ها فقط بخشی از فرآیندهای فیزیکی زیرین ربات و محیط آن را مدل می‌کنند. اشتباهات مدل منبعی از عدم قطعیت است که در رباتیک به طور گسترده‌ای نادیده گرفته شده است، با اینکه بیشتر مدل‌های ربات
5. یک مورد استفاده در سیستم‌های رباتیک به روز به اندازه کافی خشن هستند.
6. محاسبات. ربات‌ها سیستم‌های زمان واقعی هستند که مقدار محاسبه ممکن را محدود می‌کند. بسیاری از الگوریتم‌های به‌روز (مانند بیشتر الگوریتم‌های مورد توضیح در این کتاب) تقریبی هستند و از طریق فدا کردن دقت، پاسخ به موقعیت‌ها را فراهم می‌کنند.

تمام این عوامل باعث ایجاد عدم قطعیت می‌شوند. به طور سنتی، چنین عدم قطعیتی بیشتر در رباتیک نادیده گرفته شده است. با این حال، همانطور که ربات‌ها از زمینه‌های کارخانه‌ای به محیط‌های ناپیوسته‌تر حرکت می‌کنند، توانایی مقابله با عدم قطعیت برای ساختن ربات‌های موفق بسیار حیاتی است.

رباتیک احتمالاتی
این کتاب یک مرور جامع از الگوریتم‌های احتمالاتی برای رباتیک ارائه می‌دهد. رباتیک احتمالاتی یک رویکرد جدید به رباتیک است که به عدم قطعیت در ادراک و عمل ربات احترام می‌گذارد. ایده کلی رباتیک احتمالاتی این است که عدم قطعیت را به طور صریح نمایش دهد، با استفاده از حساب احتمالات. به عبارت دیگر، به جای وابستگی به یک “حدس بهترین” درباره احتمال وقوع چیزی در جهان، الگوریتم‌های احتمالاتی اطلاعات را با استفاده از توزیع‌های احتمالی بر روی یک فضای کامل از فرضیات ممکن نمایش می‌دهند. با انجام این کار، می‌توانند ابهام و درجه اعتقاد را به صورت ریاضی صحیح نمایند، که امکان پذیرسازی تمام منابع عدم قطعیت مذکور را فراهم می‌کند. علاوه بر این، با تصمیم‌گیری کنترلی بر اساس اطلاعات احتمالی، این الگوریتم‌ها به خوبی با منابع مختلف عدم قطعیت که در بالا توصیف شده است، کنار می‌آیند و منجر به راه‌حل‌های جدید برای مسائل دشوار رباتیک می‌شوند.

بیایید رویکرد احتمالاتی را با یک مثال الهام‌بخش شرح دهیم: موقعیت‌یابی ربات متحرک. موقعیت‌یابی، مسئله تخمین مختصات یک ربات در یک چارچوب مرجع خارجی از داده‌های حسگری استفاده می‌کند، با استفاده از نقشه‌ای از محیط. شکل 1.1 رویکرد احتمالاتی به موقعیت‌یابی ربات متحرک را نشان می‌دهد. مسئله خاص موقعیت‌یابی مورد مطالعه در اینجا به عنوان موقعیت‌یابی جهانی شناخته می‌شود، جایی که یک ربات در محیطی قرار گرفته است و باید خود را از ابتدا موقعیت‌یابی کند. در پارادایم احتمالاتی، تخمین فعلی ربات (همچنین با نام باور شناخته می‌شود) توسط یک تابع چگالی احتمال بر روی فضای تمام مکان‌ها نشان داده می‌شود. این در نمودار اول در شکل 1.1 نشان داده شده است که یک توزیع یکنواخت (پیشین) که متناظر با بیشترین عدم قطعیت است. فرض کنید ربات یک اندازه‌گیری اولیه حسگری انجام داده و مشاهده می‌کند که کنار یک در است. باور نتیجه‌شده نشان داده شده در نمودار دوم در شکل 1.1 است که احتمال بالایی را در جاهای کنار در وجود دارد و احتمال پایینی در دیگر جاها. توجه کنید که این توزیع دارای سه نوک است، هرکدام متناظر با یکی از درهای (قابل تمایز نیستند) محیط هستند. علاوه بر این، توزیع نتیجه‌شده احتمال بالایی را به سه مکان متمایز اختصاص می‌دهد، که نشان می‌دهد چارچوب احتمالاتی می‌تواند با فرضیات چندگانه و متضادی که به طور طبیعی در شرایط دوگانه پدید می‌آیند، مقابله کند. در نهایت، مکان‌های غیر از درها هم احتمال غیر صفر دارند. این توجه به عدم قطعیت در ادراک انجام می‌شود: با احتمال کمی کوچک غیر صفر، ربات ممکن است اشتباه کند و در واقع کنار در نباشد. حال فرض کنید ربات حرکت کند. نمودار سوم در شکل 1.1 نشان‌دهنده تأثیر حرکت ربات بر باورش است، با فرض اینکه ربات به عنوان نشان داده شده حرکت کرده است. باور به سمت جهت حرکت شیفت می‌یابد. همچنین صاف شده است، تا با عدم قطعیت موجود در حرکت ربات مطابقت داشته باشد. در نهایت، نمودار چهارم و آخر در شکل 1.1 باور پس از مشاهده یک در دیگر را نشان می‌دهد. این مشاهده منجر به قرار دادن بیشترین جرم احتمال در مکانی نزدیک یکی از درهاست و ربات در حال حاضر به طور قابل توجهی مطمئن به مکان خود است.

این مثال، الگوی احتمالاتی را در زمینه یک مسئله ادراکی خاص نشان می‌دهد. به صورت احتمالاتی بیان شده، مسئله ادراک ربات یک مسئله تخمین وضعیت است، و مثال موقعیت‌یابی ما از یک الگوریتم به نام فیلتر بیز برای تخمین پسین در فضای موقعیت‌های ربات استفاده می‌کند. به طور مشابه، هنگام انتخاب اقدامات، رویکردهای احتمالاتی کل عدم قطعیت را در نظر می‌گیرند، نه فقط حدس بیشترین احتمال. با این کار، رویکرد احتمالاتی معامله‌ای بین جمع‌آوری اطلاعات (کاوش) و بهره‌برداری دارد و نسبت به حالت دانش به صورت بهینه عمل می‌کند.

پیامدها

چه مزایایی دارد برنامه‌نویسی ربات‌ها به صورت احتمالی نسبت به سایر رویکردها که عدم قطعیت را به طور صریح نمایش نمی‌دهند؟ حدس ما مرکزی کمتر از این نیست:
رباتی که یک تصور از عدم قطعیت خود دارد و به موقع عمل می‌کند، برتری نسبت به یک رباتی دارد که این کار را نمی‌کند.

به طور خاص، رویکردهای احتمالاتی به طور معمول در مقابل محدودیت‌های حسگر، نویز حسگر، پویایی محیط و موارد مشابه، مقاومت بیشتری دارند. آن‌ها اغلب به خوبی در مقابل محیط‌های پیچیده و بی‌ساختار مقیم می‌شوند که در آن امکان مدیریت عدم قطعیت از اهمیت بیشتری برخوردار است. در واقع، برخی از الگوریتم‌های احتمالاتی خاص در حال حاضر تنها راه‌حل‌های عملی برای مسائل پیش‌بینی دشوار رباتیک مانند مسئله ربات ربوده‌شده هستند که در آن یک ربات متحرک باید از شکست موقعیت‌یابی بهبود یابد؛ یا مسئله ساخت نقشه‌های دقیق از محیط‌های بسیار بزرگ در غیاب یک دستگاه مکان‌یابی جهانی مانند GPS. علاوه بر این، الگوریتم‌های احتمالاتی نیاز کمتری به دقت مدل‌ها دارند نسبت به بسیاری از الگوریتم‌های برنامه‌ریزی کلاسیک، که به برنامه‌نویس از بار غیرقابل شکست برای ارائه مدل‌های دقیق خلاصه می‌کنند. از دیدگاه احتمالاتی، مسئله یادگیری ربات یک مسئله تخمین دراز‌مدت است. بنابراین، الگوریتم‌های احتمالاتی یک روش صحیح برای بسیاری از انواع یادگیری ربات فراهم می‌کنند. و در نهایت، الگوریتم‌های احتمالاتی به صورت گسترده‌ای در تقریباً هر مسئله‌ای که ادراک و عمل در جهان واقعی را در بر دارد، قابل اعمال هستند.

اما این مزایا با هزینه‌ای همراه هستند. سنتیاً، دو محدودیت بیشترین اشاره شده به الگوریتم‌های احتمالاتی، ناکارآمدی محاسباتی و نیاز به تقریب هستند. الگوریتم‌های احتمالاتی از طبیعتشان کمتر بهینه‌اند نسبت به الگوریتم‌های غیراحتمالاتی به دلیل اینکه از تمام چگالی‌های احتمالی استفاده می‌کنند. نیاز به تقریب از آنجا ناشی می‌شود که بیشتر جهان‌های رباتیک معمولی، پیوسته هستند. محاسبه توزیع‌های پسین دقیق به طور معمول غیرممکن است، زیرا توزیع‌ها بر روی پیوستگی دارای بی‌نهایت ابعاد است. گاهی اوقات، شانس خوبی داریم که عدم قطعیت را با یک مدل پارامتری فشرده (مانند توزیع‌های گسسته یا گوسی) به طور کامل تقریب بزنیم؛ در موارد دیگر، چنین تقریب‌هایی خیلی خام است و باید از نمایش‌های پیچیده‌تر استفاده شود. تحقیقات اخیر با موفقیت به مجموعه‌ای از الگوریتم‌های احتمالاتی محاسباتی مناسب برای مجموعه‌ای از مسائل دشوار رباتیک منجر شده است – بسیاری از آن‌ها که به طور عمیق در این کتاب توصیف شده‌اند.