译者序

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