9、机器人学习与知识获取：贝叶斯网络、ProbLog与马尔可夫逻辑的应用

机器人学习与知识获取：贝叶斯网络、ProbLog与马尔可夫逻辑的应用

1. 基于可供性的模型

在机器人学习领域，基于可供性的模型是一个重要的研究方向。可供性捕获了环境中的行动机会，例如一个物体可以被用来做什么。典型的设置包括一个带有机械臂的机器人和一张放置着物理对象（如立方体、球等）的桌子。该方法主要涉及三个方面：行动（A）、对象属性（O）和效果（E）。
- 行动（A） ：包括抓取（和释放）、推动（在远离机器人的平面上）和轻拍（侧向）等物理操作技能。
- 对象属性（O） ：可以通过感知设备（如视觉）测量的方面，包括颜色、形状和大小。
- 效果（E） ：执行行动后可测量的特征变化，例如手的速度、手与对象之间的速度（或距离）等。

这些方面及其关系如图1所示：
| 元素 | 描述 |
| ---- | ---- |
| 行动（A） | 物理操作技能，如抓取、推动、轻拍 |
| 对象属性（O） | 颜色、形状、大小等 |
| 效果（E） | 手的速度、手与对象的距离等变化 |

学习模仿操作行动通过以下步骤完成：
1. 收集机器人对不同对象执行多个行动的数据。
2. 对每次演示测量A、O和E的所有特征，然后进行处理、离散化和聚合，以获取一个数据集，其中所有特征具有相对较小的（有序）值集。
3. 学习一个概率模型，捕获这三种类型特征之间的依赖关系。
4. 该模型可用于各种目的，例如模仿学习。机器人观察人类操作对象（具有属性O），观察演示行动的效果（E），并计算最