譯者序

自2012年基于卷積網絡的深度網絡模型AlexNet在圖像分類上取得成功之后，深度學習在計算機視覺和自然語言處理等領域取得了巨大的進展，推動了人工智能新一輪的發展熱潮。人工智能技術的核心主要包括模式識別和機器學習，目前這兩個方向在不斷交叉融合發展。

盡管人工智能技術已經取得了很大的進展，但其最終落地應用仍舊受很多現實條件的制約。很多從事相關領域研究的人員還缺乏對實際智能體系統所需要的各方面知識的理解和掌握。本書從信號處理的角度，通過對信號處理技術和網絡通信技術的介紹，對無線機器人中的人工智能所涉及的相關技術進行了深入淺出的說明，并提供了很多例子和習題來幫助讀者理解智能體中人工智能技術的基本概念和原理，這肯定會促進人工智能技術在無線機器人中的落地應用。

全書首先對機器人和人工智能的基礎知識，尤其是智能體與環境的交互——智能推理進行了詳細的介紹，使讀者對人工智能應用中的智能化有更深入的理解，尤其是智能體的人工智能在于能夠自動根據環境交互來獲得滿足其目標的動作序列。而這可以通過人工智能的搜索算法來實現，本書第2章對這些搜索算法進行了詳細的介紹，并對其所采用的最優化技術進行了概要的介紹。在人工智能中，讓機器人或智能體具有自我學習的能力，其核心在于機器學習技術。本書第3章對監督學習、無監督學習、深度神經網絡等常見的機器學習技術進行了詳細的介紹，并對常見的數據預處理技術進行了論述。在智能體根據與環境交互來采取動作做出決策的過程中，其動作序列具有前后的相互關系，這種對序列關系進行建模的基本模型為馬爾可夫決策過程，本書第4章對此進行了詳細的論述，尤其對典型的在線決策過程——多臂賭博機問題提供了一個基本的貪婪解決方案，使讀者對動作空間、狀態轉移、獎勵、最優策略、馬爾可夫過程、貝爾曼方程等基本的概念和推理有較深入的理解。第5章對強化學習進行了深入的介紹。第6章則側重于狀態估計，尤其是經典的貝葉斯信號估計理論和卡爾曼濾波。第7章對傳感器網絡定位、移動機器人定位以及SLAM技術與網絡定位和導航進行了介紹。第8章介紹了基于貝葉斯網絡的知識表示，以及智能體和機器人的一些基本規劃和導航算法。第9章則對智能體傳感器獲取的各種模態數據的融合進行了探討，尤其是視覺、激光雷達、超聲等傳感器的融合，并論述了采用決策樹來對傳感器獲取的數據進行序列決策，最后從數據的隱私和安全角度對最新出現的聯邦學習進行了論述，尤其是無線通信和無線網絡中多智能體之間的聯邦學習方式。本書最后第10章對實際應用中的多機器人系統進行了論述，尤其是從典型的車聯網角度對任務分配、工廠自動化等問題進行了剖析，對網絡化多智能體系統中的通信協議和問題進行了深入的論述。

從上述內容可知，本書涵蓋知識范圍廣，涉及無線機器人實際應用中的方方面面，從基本的知識表達、推理，傳感器知識獲取、狀態估計、最終決策，到通信協議、延遲和隱私與安全問題，以及機器學習和強化學習等機電、通信、計算機與人工智能各個方面的知識和算法，并配備了相關的實例和練習。相信本書對以上各專業的高年級本科生和研究生構建完整的知識體系以及入門人工智能領域都具有重要的作用，對實際的工程開發人員理解基本的智能體執行和操作原理也具有重要的參考價值。

由于譯者水平有限，書稿中可能存在諸多不妥之處，有任何意見，請反饋至郵箱：shliu@hit.edu.cn。

最后，向在本書的翻譯過程中提出寶貴意見的朱捷編輯表示誠摯的謝意。

劉紹輝