K-不确定性概要.ppt

不确定性(并非世界不完美，只是我们的知识有限)  RN: Chap. 3, Sect 3.6 + Chap. 13 课程到目前为止，都是基于如下“完美”假设： 世界（问题）的状态都是完全可以观察的? 当前状态是明确知道的 所执行的动作（决策）的描述是清楚的?下一步到达的状态是可以明确预测的 现在我们研究一个智能体如何去应对所谓的“非完美” 信息 有时候，我们还需要考虑动态的问题世界 Introductory Example Model, Sensing, and Control The robot and the obstacles are represented as disks moving in the plane The position and velocity of each disc are measured by an overhead camera every 1/30 sec Experimental Run Experimental Run 还可能有其他意外 例如： 推进器堵塞 机器人没气了，又或者没电了 做实验用的大桌子突然跨塌了 等等 ... [毫无疑问的不确定性！] 另外一个例子：不确定性下的决策 智能体相信: P(A25 gets me there on time | …) = 0.04 P(A90 gets me there on time | …) = 0.70 P(A120 gets me there on time | …) = 0.95 P(A1440 gets me there on time | …) = 0.9999 那么到底应该选择哪一个动作呢? 可能要根据误机的承受程度对比无聊候机的厌恶程度（效用）来进行决策，…… 不确定性的来源Sources of Uncertainty 第一个不确定性的来源:描述世界的表示语言 当前的知识表示技术下，真实问题世界的状态要远多于表示语言的表达能力范畴 表示语言描述的一种状态，在真实问题世界了可能对应多个不同的状态（表达能力的限制），于是智能体无法区分这些不同的状态 表示语言描述的动作也可能不够准确，智能体会无所适从 第二个不确定性来源：无法完美的对世界进行观察 对问题世界的观察可能会是: 部分的 Partial, 例如视觉传感器无法穿透障碍物（感知信息缺少） 第二个不确定性来源：无法完美的对世界进行观察 Observation of the world can be: 对问题世界的观察可能会是: 部分的 Partial, 例如视觉传感器无法穿透障碍物 不明确 Ambiguous, 例如，感知信息可能有多种解释 不正确 Incorrect 第三个不确定性的来源：无知，惰性，效率 一个动作可能会有很长的前提清单，例如: Drive-Car: P = Have(Keys) ? ?Empty(Gas-Tank) ? Battery-Ok ? Ignition-Ok ? ?Flat-Tires ? ?Stolen(Car) ... 可能由于惰性，也可能基于效率，智能体设计者往往不愿意去把这些所有的前提都表示出来 于是执行动作的结果可能会是不正确的执行（动作的效果与描述不一样），也可能执行动作会得到多个不同的结果 不确定性的表示 有许多不确定性模型 我们课程考虑其中一种最重要的模型： 概率模型 Probabilistic model:不确定性可表示成概率分布 信度状态 信度状态 belief state 是智能体所认为的该问题世界每一种状态的可能性 不确定性的概率模型中，每种状态的概率是对实际状态的可能性的量测 概率意味着什么? 概率很自然的可以理解为频率 智能体相信如果能够重复多次同一个信度状态，则实际的状态发生的频率会遵循概率分布 例子 考虑这样一个问题世界：牙医智能体D碰到了一位新患者 D只对一件事情感兴趣：P是否有牙洞（命题Cavity ） 在对患者进行任何的检查（观察）之前，D的信度状态是： 即意味着D认为有某一部分的人有牙洞（的疾病） 概率怎么得到? 基于过去的观察，得到的频率数据 系统理论的分析得到，例如: 滚动骰子，每一面的概率位1/6 主观给出, 例如: 如果在限速120公里的高速公路上开到时速180公里，那么被交警开罚单的概率位0.6 无差别原则 Principle of indifference: 如果对这些可能没有相关的知识，那么给所有的可能分配一个均等的概率 概率理论基本知识 随机变量Random variables 例子:离散随机变量Weather，有如下值域 sunny,rain,cloudy,snow. sun