机器人、无人驾驶汽车、无人机和智慧工厂将显著改变数字社会中人类的生活方式。无线机器人中的人工智能介绍了无线通信和网络技术如何促进机器人中的人工智能，它在机器人中的人工智能、无线通信、计算和控制之间架起了基础的多学科知识的桥梁。本书的一个独特性是提出应用通信和信号处理技术来增强机器人和多智能体系统中的传统人工智能。
本书的技术内容包括机器人基础知识、信息物理系统、人工智能，统计决策和马尔可夫决策过程，强化学习，状态估计，定位，计算机视觉和多模态数据融合，机器人规划，多智能体系统，网络化多智能体系统，网络化机器人的安全性和鲁棒性，以及超可靠和低延迟的机器对机器的网络。提供的例题和练习有助于简单和有效的理解本书的内容。
希望拓展在机器人、人工智能和无线通信等方面的知识的工程师将从这本书中受益。同时，本书也适用于电气工程、计算机工程、计算机科学和一般工程专业的高年级本科生或一年级研究生的教材。读者需要具备本科概率论和线性代数的基础知识，以及基本的编程能力，来享受深入阅读的乐趣。

无

机器人技术已经发展了几十年。最初，机器人技术主要由控制工程和机械工程来处理。之后，引入了计算机工程，再后来，引入了更多的计算机科学，特别是人工智能（Artificial Intelligence，AI）。本书旨在包括更多的用于传感器和多机器人系统中的无线通信技术组件，来形成新的无线机器人的技术前沿。这些新的技术组件丰富了无线机器人领域中的人工智能，从而最终形成了本书的愿景。
本书初稿基于作者在南佛罗里达大学开设的一门新的研究生课程“Robotics and AI”的课堂笔记，非常适合那些仅仅只有一些本科阶段学习的概率论和矩阵代数的知识，以及一些基本的编程能力的一年级的研究生和高年级本科生。本书新在引入了增强用于机器人的人工智能的无线通信技术。因此，本书的英文书名是Artificial Intelligence in Wireless Robotics。机器人有许多应用场景，本书主要关注自主移动机器人和需要无线基础设施的机器人，如（网络化的）智能工厂中的机器人。必须指出的是，机器人涉及多个学科的知识，主要包括电气工程、计算机科学、计算机工程和机械工程。考虑到篇幅问题，本书不会涵盖机器人技术的每个方面。相反，通过在机器人中引入人工智能和无线技术，本书主要为没有任何机器人方面先验知识的读者和学生而准备。
本书由10章组成。第1章介绍了机器人和人工智能的基础知识。第2章和第3章提供了人工智能搜索算法和机器学习技术方面的基础知识。第4章首先简要介绍了统计决策，然后介绍了马尔可夫决策过程。第5章主要介绍强化学习。第2章到第5章呈现较多的是人工智能的“计算机科学”方面的知识。第6章提供了估计的基础知识，有助于建立对机器人的信念，并开发更多的技术（通常跟无线技术相关）来丰富机器人中的人工智能。第7章进一步将估计知识应用到自主移动机器人（AMR）的一个关键问题——定位，这也与机器人姿态问题有关。第8章介绍可以进一步提高机器人智能水平的机器人规划。第9章首先面向机器人视觉问题，尤其是AMR，然后考虑从多种传感器获得的信息进行多模态融合。第6、7和第9章，可以看作增强机器人中的人工智能的信号处理方法，更偏向于“电气工程”方面。第10章简要介绍了多机器人系统。与通常对微型蜂群机器人进行研究不同，我们更关注协作机器人，其中每个机器人都具有良好的计算能力。第10章还提出了无线通信在机器人技术中潜在的重要作用，并对其进行了简要介绍。本书篇幅适中，涵盖了从无线到信号处理技术各方面的丰富知识。
在每一章的结尾，提供了参考文献供读者深入了解更多的细节。练习前用标记，计算机练习前用■标记。这些练习是帮助读者加深理解正文的完整组成部分。计算机练习通常需要付出很大的努力，但从课堂上学生的反馈来看，也有很多乐趣。它们还能极大地帮助你深入理解技术内容。请享受它们。
每个努力完成的项目都依赖背后大量的支持。我要感谢两位系主任Tom Weller和Chris Ferekides，感谢他们让我关于这个主题开设一门新的研究生课程，感谢他们的鼓励和支持，我才得以将课堂笔记转化为书稿。在本书初稿的准备过程中，非常感谢我的研究生台湾大学的Eisaku Ko和Hsuan-Man Hung，南佛罗里达大学的Ismail Uluturk、Zixiang Nie、博士后Amanda Chiang和助教Zhengping Luo，北京邮电大学的Pengtao Zhao和Yingze Wang，以及本科生南佛罗里达大学的Jose Elidio Campeiz和凯斯西储大学的Daniel T.Chen的校对。当然，还要感谢来自南佛罗里达大学工程学院不同院系的研究生，他们选修了研究生课程Robotics and AI，提供了大量有价值的反馈和评论，这必然地改善了本书的质量。2019年在北京邮电大学，崔琪楣教授安排了一门暑假课程，允许我向70多名同学教授本书内容，这有助于我获得更多的反馈。当然，River出版社的Rajeev和Junko在本书的最后准备中也帮助了我很多。最后，感谢我的妻子，没有她的关心，我不可能专注于写作。

陈光祯于佛罗里达州卢茨(Lutz)市

人工智能/机器人

机器人、无人驾驶汽车、无人机和智慧工厂将显著改变数字社会中人类的生活方式。本书介绍了无线通信和网络技术如何促进机器人中的人工智能。本书的一个独特性是提出应用通信和信号处理技术来增强机器人与多智能体系统中的传统人工智能。
本书具体包括机器人的基础知识、信息物理系统、人工智能、统计决策和马尔可夫决策过程、强化学习、状态估计、定位、计算机视觉和多模态数据融合、机器人规划、多智能体系统、网络化多智能体系统、网络化机器人的安全性和鲁棒性，以及超可靠和低延迟的机器对机器的网络等内容。书中的实例和练习能帮助读者轻松、高效地理解本书的内容。
希望拓展在机器人、人工智能和无线通信等方面知识的工程师可从本书中受益。同时，本书也适合作为电气工程、计算机工程、计算机科学和一般工程专业的高年级本科生或一年级研究生的教材。

作者简介
陈光祯博士　 自2016年至今一直担任南佛罗里达大学电气工程系教授。陈博士之前曾任职于美国通信卫星公司、IBM沃森研究中心、台湾清华大学、惠普实验室、台湾大学移动通信与网络研究所。他曾在麻省理工学院等多所大学做过访问学者。他一直积极组织、参与各种IEEE会议并担任IEEE期刊的编辑（最近担任《IEEE通信杂志》“通信中的数据科学和AI”专题编辑）；为IEEE协会，尤其是通信、车辆技术和信号处理分会提供志愿服务，并发起成立社交网络技术委员会。陈博士还为各种国际通信标准贡献了多个关键技术。他撰写或合作撰写了超过300篇IEEE论文，出版了4本书，并拥有24项美国专利。他是IEEE会士，获得了多个IEEE奖项。陈博士目前的研究兴趣包括无线网络、人工智能和机器学习、物联网、信息物理系统、社交网络和数据分析，以及网络安全。

[美]陈光祯(Kwang-Cheng Chen) 著：陈光祯博士自2016年至今一直担任南佛罗里达大学电气工程系教授。陈博士之前曾任职于美国通信卫星公司、IBM沃森研究中心、台湾清华大学、惠普实验室、台湾大学移动通信与网络研究所。他曾在麻省理工学院等多所大学做过访问学者。他一直积极组织、参与各种IEEE会议并担任IEEE期刊的编辑（最近担任《IEEE通信杂志》“通信中的数据科学和AI”专题编辑）；为IEEE协会，尤其是通信、车辆技术和信号处理分会提供志愿服务，并发起成立社交网络技术委员会。陈博士还为各种国际通信标准贡献了多个关键技术。他撰写或合作撰写了超过300篇IEEE论文，出版了4本书，并拥有24项美国专利。他是IEEE会士，获得了多个IEEE奖项。陈博士目前的研究兴趣包括无线网络、人工智能和机器学习、物联网、信息物理系统、社交网络和数据分析，以及网络安全。

自2012年基于卷积网络的深度网络模型AlexNet在图像分类上取得成功之后，深度学习在计算机视觉和自然语言处理等领域取得了巨大的进展，推动了人工智能新一轮的发展热潮。人工智能技术的核心主要包括模式识别和机器学习，目前这两个方向在不断交叉融合发展。
尽管人工智能技术已经取得了很大的进展，但其最终落地应用仍旧受很多现实条件的制约。很多从事相关领域研究的人员还缺乏对实际智能体系统所需要的各方面知识的理解和掌握。本书从信号处理的角度，通过对信号处理技术和网络通信技术的介绍，对无线机器人中的人工智能所涉及的相关技术进行了深入浅出的说明，并提供了很多例子和习题来帮助读者理解智能体中人工智能技术的基本概念和原理，这肯定会促进人工智能技术在无线机器人中的落地应用。
全书首先对机器人和人工智能的基础知识，尤其是智能体与环境的交互——智能推理进行了详细的介绍，使读者对人工智能应用中的智能化有更深入的理解，尤其是智能体的人工智能在于能够自动根据环境交互来获得满足其目标的动作序列。而这可以通过人工智能的搜索算法来实现，本书第2章对这些搜索算法进行了详细的介绍，并对其所采用的最优化技术进行了概要的介绍。在人工智能中，让机器人或智能体具有自我学习的能力，其核心在于机器学习技术。本书第3章对监督学习、无监督学习、深度神经网络等常见的机器学习技术进行了详细的介绍，并对常见的数据预处理技术进行了论述。在智能体根据与环境交互来采取动作做出决策的过程中，其动作序列具有前后的相互关系，这种对序列关系进行建模的基本模型为马尔可夫决策过程，本书第4章对此进行了详细的论述，尤其对典型的在线决策过程——多臂赌博机问题提供了一个基本的贪婪解决方案，使读者对动作空间、状态转移、奖励、最优策略、马尔可夫过程、贝尔曼方程等基本的概念和推理有较深入的理解。第5章对强化学习进行了深入的介绍。第6章则侧重于状态估计，尤其是经典的贝叶斯信号估计理论和卡尔曼滤波。第7章对传感器网络定位、移动机器人定位以及SLAM技术与网络定位和导航进行了介绍。第8章介绍了基于贝叶斯网络的知识表示，以及智能体和机器人的一些基本规划和导航算法。第9章则对智能体传感器获取的各种模态数据的融合进行了探讨，尤其是视觉、激光雷达、超声等传感器的融合，并论述了采用决策树来对传感器获取的数据进行序列决策，最后从数据的隐私和安全角度对最新出现的联邦学习进行了论述，尤其是无线通信和无线网络中多智能体之间的联邦学习方式。本书最后第10章对实际应用中的多机器人系统进行了论述，尤其是从典型的车联网角度对任务分配、工厂自动化等问题进行了剖析，对网络化多智能体系统中的通信协议和问题进行了深入的论述。
从上述内容可知，本书涵盖知识范围广，涉及无线机器人实际应用中的方方面面，从基本的知识表达、推理，传感器知识获取、状态估计、最终决策，到通信协议、延迟和隐私与安全问题，以及机器学习和强化学习等机电、通信、计算机与人工智能各个方面的知识和算法，并配备了相关的实例和练习。相信本书对以上各专业的高年级本科生和研究生构建完整的知识体系以及入门人工智能领域都具有重要的作用，对实际的工程开发人员理解基本的智能体执行和操作原理也具有重要的参考价值。
由于译者水平有限，书稿中可能存在诸多不妥之处，有任何意见，请反馈至邮箱：shliu@hit.edu.cn。
最后，向在本书的翻译过程中提出宝贵意见的朱捷编辑表示诚挚的谢意。

刘绍辉

译者序
前言
作译者简介
第1章　人工智能和机器人概述1
1.1　人工智能、控制论和机器人学的基础知识1
1.2　智能体4
1.2.1　合理性的概念5
1.2.2　系统动力学6
1.2.3　任务环境8
1.2.4　机器人和多智能体系统9
1.3　推理11
1.3.1　约束满足问题13
1.3.2　通过搜索来求解CSP15
参考文献20
第2章　基本搜索算法21
2.1　问题求解智能体21
2.2　搜索求解24
2.3　统一搜索28
2.3.1　广度优先搜索28
2.3.2　动态规划30
2.3.3　深度优先搜索35
2.4　有信息搜索37
2.5　优化41
2.5.1　线性规划41
2.5.2　非线性规划42
2.5.3　凸优化42
参考文献44
第3章　机器学习基础45
3.1　监督学习46
3.1.1　回归46
3.1.2　贝叶斯分类53
3.1.3　KNN54
3.1.4　支持向量机55
3.2　无监督学习57
3.2.1　K均值聚类57
3.2.2　EM算法58
3.2.3　主成分分析58
3.3　深度神经网络61
3.4　数据预处理64
参考文献68
第4章　马尔可夫决策过程69
4.1　统计决策69
4.1.1　数学基础72
4.1.2　贝叶斯决策73
4.1.3　雷达信号探测78
4.1.4　贝叶斯序贯决策80
4.2　马尔可夫决策过程81
4.2.1　马尔可夫决策过程的数学基础82
4.2.2　最优策略84
4.2.3　开发贝尔曼方程的解85
4.3　决策及规划：动态规划87
4.4　MDP的应用：搜索移动目标92
4.5　多臂赌博机问题95
4.5.1　ε-贪婪算法97
4.5.2　上置信界98
4.5.3　汤普森采样99
参考文献106
第5章　强化学习107
5.1　强化学习基础107
5.1.1　重访多臂赌博机问题108
5.1.2　强化学习基础111
5.1.3　基于马尔可夫过程的强化学习112
5.1.4　贝尔曼最优性原理115
5.2　Q学习116
5.2.1　部分可观测状态116
5.2.2　Q学习算法117
5.2.3　Q学习示例119
5.3　无模型的学习125
5.3.1　蒙特卡罗方法126
5.3.2　时序差分学习129
5.3.3　SARSA132
5.3.4　Q学习与TD学习的关系133
参考文献135
第6章状态估计136
6.1　估计基础136
6.1.1　基于观测的线性估计量137
6.1.2　线性预测139
6.1.3　贝叶斯估计140
6.1.4　极大似然估计142
6.2　递归状态估计144
6.3　贝叶斯滤波146
6.4　高斯滤波149
6.4.1　卡尔曼滤波149
6.4.2　标量卡尔曼滤波150
6.4.3　扩展卡尔曼滤波154
参考文献156
第7章　定位157
7.1　传感器网络定位158
7.1.1　到达时间技术158
7.1.2　到达角技术160
7.1.3　到达时间差技术162
7.2　移动机器人定位164
7.3　同时定位与建图165
7.3.1　概率SLAM166
7.3.2　扩展卡尔曼滤波SLAM168
7.3.3　立体摄像机辅助的SLAM169
7.4　网络定位和导航172
参考文献175
第8章　机器人规划176
8.1　知识表示和分类逻辑176
8.1.1　贝叶斯网络178
8.1.2　语义表示184
8.2　离散规划184
8.3　自主移动机器人的规划和导航187
8.3.1　规划和导航示例188
8.3.2　强化学习的系统阐述189
8.3.3　定长规划191
8.3.4　条件穷举规划191
参考文献196
第9章多模态数据融合197
9.1　计算机视觉197
9.1.1　计算机视觉基础198
9.1.2　边缘检测199
9.1.3　图像特征和目标识别201
9.2　基于视觉功能的多模态信息融合203
9.3　决策树206
9.3.1　决策示例207
9.3.2　正式处理209
9.3.3　分类树210
9.3.4　回归树211
9.3.5　规则和树212
9.3.6　定位机器人213
9.3.7　带决策树的强化学习214
9.4　联邦学习219
9.4.1　联邦学习基础220
9.4.2　通过无线通信进行联邦学习221
9.4.3　无线网络上的联邦学习222
9.4.4　多接入通信上的联邦学习224
参考文献225
第10章多机器人系统227
10.1　多机器人任务分配227
10.1.1　最优分配228
10.1.2　多旅行商问题230
10.1.3　工厂自动化231
10.2　无线通信和网络236
10.2.1　数字通信系统236
10.2.2　计算机网络239
10.2.3　多址通信241
10.3　网络多机器人系统243
10.3.1　曼哈顿街道上的联网自动驾驶汽车243
10.3.2　网络协同多机器人系统251
参考文献257
技术缩略语258
索引263