学习行为模型

根据低层模型（如传感器、驱动器和控制器）来预测机器人的高级行为往往较为困难。虽然你可能了解到机器人会因障碍物而转向，但在充满人的房间里，机器人将如何表现则不易预见。

建模机器人的整体行为对于预测其在不同环境中的表现非常重要。此外，一旦获得良好的模型，便可用于在线优化机器人的控制参数。

Infantes 等人使用动态贝叶斯网络（Dynamic Bayesian Networks）进行机器人行为建模。这一方法在 Rackham RWI B21R 博物馆导览机器人上进行测试，如下图所示，该机器人需要在一个开放的环境中导航，周围有许多人。该网络捕捉与机器人的参数、环境变量、机器人状态变量和任务变量相关的信息。随后，模型被用来优化机器人在特定环境中的行为。在学习过程中，机器人因避免故障、提高速度和表现出“人性化”的良好行为而获得奖励。使用这种方法，机器人故障率降低，速度更快，且人类接受度高于那些手动调整参数的机器人。

未来，Infantes 等人计划利用这种方法学习其他机器人任务，比如抓取物体或与人类互动。