36、如何从失败中走向成功：半符号模型的力量

如何从失败中走向成功：半符号模型的力量

在机器人和认知系统的研究领域，如何准确地对环境进行建模和预测是一个关键问题。传统的概率模型在处理复杂和不确定的环境时往往存在局限性，而半符号模型为解决这些问题提供了一种新的思路。本文将深入探讨半符号模型的原理、优势以及应用，揭示其如何通过利用失败经验来实现更准确的预测和更好的环境描述。

1. 引言

移动机器人需要对其所处的环境有全面的了解，错误的预测可能会导致严重的后果。例如，错误地认为前方是“坚实的地面”，而实际上是“200米深的峡谷”，这可能会使机器人遭受毁灭性的破坏。然而，“坚实的地面”和“峡谷”这些概念是人类基于视觉感知形成的“语言”表征，不同的系统由于其传感器 - 运动装置的差异，对这些概念的理解和表征也会有所不同。

以轮式机器人为例，它对“坚实的地面”的概念可能是前轮和后轮的重量大致相等。概念的结构性质可以减轻错误预测的风险，当机器人的前轮失去牵引力时，其对重量均匀分布的期望失败，从而促使其进行行为调整。

接下来要介绍的模型利用了结构化的概念表征，这些表征是分层组织的。一方面，它可以利用先前的错误来提高预测性能；另一方面，其性能明显优于n阶马尔可夫模型。这种模型可以在实时机器人中在线生成，可用于预测任意符号序列或在部分可观察环境中进行强化学习。

2. 相关工作

• n阶马尔可夫模型 ：n阶马尔可夫模型会保留n个过去观察值的固定历史记录，在任何给定时间的历史记录可被视为模型的当前状态，该状态可作为环境隐藏状态的一种表征。这些模型通过计算从长度为n的当前历史记录到当前观察值的转移次数来生成，从一个历史记录到所有后续观察值的