10、概率信念：超越确定性的行动与认知

概率信念：超越确定性的行动与认知

1. 超越知识与确定性行动

在处理行动结果的可能性时，我们需要对行动结果的可能性（包括失败情况）的公理进行规范。信念及其变化的属性是初始约束和权重变化的直接逻辑结果。

与经典概率框架相比，这种自然扩展的主要优势在于，它允许根据应用领域的可用信息，对信念进行部分或不完整的规范。它既不需要像卡尔曼滤波器那样指定先验分布来计算后验分布，也不需要像贝叶斯网络的动态和时间扩展那样指定随机变量之间的条件独立性以及这些依赖关系如何随行动而变化。

在情境演算方法中，对信念的初始状态施加了一些逻辑约束。这些约束可能与一个或多个初始分布以及独立性假设集兼容。所有信念的属性都将在相应的特定层面上体现出来。

2. 权重与可能性

为了深入理解表示的微妙之处，我们继续使用一个简单的例子：假设一个机器人可以朝着墙壁移动或远离墙壁，并且配备了一个指向墙壁的距离传感器。设机器人与墙壁的距离为 (h)，机器人可能不知道 (h) 的真实值，但认为它可能取值于集合 ({1, 2, \ldots, 10})。

• 初始不确定性表达 ：之前，机器人只能通过析取式 (h = 1 \vee h = 2 \vee \ldots h = 10) 来表达对这些值的不确定性。现在，机器人可以对这种不确定性进行量化。例如，机器人可能认为所有这些值的可能性相等，即距离为 1 单位、2 单位、3 单位等的数值可能性是一样的，这代表了机器人的信念程度，是对 (h) 各种取值的主观概率评估。
• 不同概率评估 ：机器人也可能基于某些原因，认为接