Робототехническое восприятие — это процесс, в ходе которого роботы отображают результаты сенсорных измерений на внутренние структуры представления среды. Задача восприятия является сложной, поскольку информация, поступающая от датчиков, как правило, зашумлена, а среда является частично наблюдаемой, непредсказуемой и часто динамической. В качестве эмпирического правила можно руководствоваться тем, что качественные внутренние структуры представления обладают тремя свойствами: содержат достаточно информации для того, чтобы робот мог принимать правильные решения, построены так, чтобы их можно было эффективно обновлять, и являются естественными в том смысле, что внутренние переменные соответствуют естественным переменным состояния в физическом мире.

Модели перехода и восприятия для частично наблюдаемой среды могут быть представлены с помощью фильтров Калмана, скрытых марковских моделей и динамических байесовских сетей; кроме того, в указанной главе были описаны и точные, и приближенные алгоритмы   обновления доверительного состояния — распределения апостериорных вероятностей по переменным состояния среды. Было приведено несколько динамических моделей байесовских сетей для этого процесса. А при решении робототехнических задач в модель в качестве наблюдаемых переменных обычно включают собственные прошлые действия робота. На рисунке показана система обозначений, используемая в данной главе: x_t — это состояние среды (включая робот) во время t; z_t — результаты наблюдений, полученные во время t; A_t — действие, предпринятое после получения этих результатов наблюдения. 

Процесс робототехнического восприятия, рассматриваемый как временной алгоритмический вывод на основании последовательностей действий и измерений, который демонстрируется на примере динамической байесовской сети

Задача фильтрации, или обновления доверительного состояния состоит в том, что должно быть вычислено новое доверительное состояние Р (x_t+1 I z_1:t+1, a_1:t) на основании текущего доверительного состояния Р (x_t I z_{1: t}, a_1:t-1) и нового наблюдения z_t+1. Принципиальные различия по сравнению с указанной главой состоят в следующем: во-первых, результаты вычислений явно обусловлены не только действиями, но и наблюдениями, и, во-вторых, теперь приходится иметь дело с непрерывными, а не с дискретными   переменными. Таким образом, необходимо следующим образом откорректировать рекурсивное уравнение фильтрации для использования в нем интеграции, а не суммирования:

P(X_t+1 l I Z_1:t+1 l,a_1:t) = aP(z_t+1 l X_t+1) ∫ P(X_t+1, x_t. a_t) P(x_t l z_1:t, a_1:t-1) dx_t

Это уравнение показывает, что апостериорное распределение вероятностей по переменным состояния х во время t+1 вычисляется рекурсивно на основании соответствующей оценки, полученной на один временной шаг раньше. В этих вычислениях участвуют данные о предыдущем действии at и о текущих сенсорных измерениях z_t+1. Например, если цель заключается в разработке робота, играющего в футбол, то x_t+1 может представлять местонахождение футбольного мяча относительно робота. Распределение апостериорных вероятностей Р (X_t | z_1:t, a_1:t-1) — это распределение вероятностей по всем состояниям, отражающее все, что известно о прошлых результатах сенсорных измерений и об управляющих воздействиях. Уравнение показывает, как рекурсивно оценить это местонахождение, инкрементно развертывая вычисления и включая в этот процесс данные сенсорных измерений (например, изображения с видеокамеры) и команды управления движением робота. Вероятность P(x_t+1 | x_t, a_t) называется моделью перехода, или моделью движения, а вероятность Р (z_t+1 I x_t+1) представляет собой модель восприятия.