这一页讲的是 Lecture 12 的主题：Embodied AI 和 AI Teams，包括 Polly、BigDog 和机器人足球。

这一页讲的是 Lecture 12 的主题，主要内容是 Embodied AI（具身人工智能）和 AI Teams（人工智能团队）。Embodied AI 是指那些具有物理实体的人工智能系统，例如机器人，它们能够与物理世界交互。标题中提到的 Polly 和 BigDog 是具体的具身 AI 示例，可能涉及它们的设计、功能和应用领域。此外，机器人足球是一个典型的 AI 团队应用场景，展示了多个机器人如何协同工作以完成复杂任务。这一页的背景信息包括课程编号 COMPSCI 713，授课教师为 Xinyu Zhang，课程材料改编自 Jim Warren 教授，所属机构是奥克兰大学计算机科学学院，时间为 2026 年第一学期。这节课可能会探讨具身 AI 的技术挑战和团队协作的关键因素，例如传感器数据处理、行动规划以及团队内的通信和协调。

这一页讲的是人工智能的概述，重点介绍 embodied AI（具身人工智能）和其在实际环境中的应用。涉及单个机器人到团队和群体协作的转变，以及智能的核心是如何在现实世界中稳健地行动。

这一页讲的是 embodied AI（具身人工智能），这是指能够控制物理实体并实时响应传感器的系统。它进一步引出了 situated reasoning（情境推理），包括分层控制和环境特定的捷径。这种智能的核心例子包括 Polly、BigDog，以及用于火星探测的自主机器人。随后，主题从单个机器人扩展到团队和群体（teams and swarms），探讨了联合目标、群体行为（如 flocking）以及机器人足球等协作场景。主要观点是智能不仅仅是抽象推理，更重要的是在现实世界中稳健地行动。这一页的结构清晰地分为两部分：首先是具身自主性，其次是多智能体协作行为的协调。这种组织方式帮助我们理解智能在不同层面的应用和挑战，例如单个机器人如何在复杂环境中独立工作，以及多个机器人如何实现协作目标。

这一页讲的是机器人 Polly，它是第一个以视觉导航并达到动物速度的系统，展示了简化假设的有效性。

这一页讲的是机器人 Polly，它是1993年开发的第一个以视觉导航并以约 1 米/秒的动物速度移动的系统。Polly展示了 Rodney Brooks 提出的简化假设（simplifying assumptions）的理念，即通过减少对环境的高层次理解，专注于特定上下文中有效的功能，能够构建简单但实用的机器人。Polly的设计类似于简单动物，不需要对世界有复杂的认知就能完成任务。此外，Polly曾在麻省理工学院 AI 实验室的七楼担任导览机器人多年，通过预设的位置播放录音讲解。这说明了在特定应用场景中，简化设计既能降低复杂性，又能实现功能目标。

这一页讲的是 Polly 的假设和设计原则。主要内容包括环境的限制条件、计算快捷方式，以及解决问题的设计原则。

这一页讲的是 Polly 的假设和设计原则。首先，环境假设包括无杂乱的办公室、走廊以及统一无图案的地毯。这些环境条件为计算提供了显著的快捷方式，例如：地毯/物体检测（如果不是地毯，则可能是障碍物；带图案的物体通常是障碍物）、地面平面约束（物体位于平坦的地面上，图像中位置较高的物体通常距离较远）、以及走廊几何结构（狭窄的走廊限制了视觉场景中远处地标的出现位置，从而减少搜索空间）。最后，设计原则强调：在环境允许的情况下，不要选择解决最难的视觉问题，而是选择更容易的解决方案。这种方法通过简化问题来提高效率，例如在特定环境中利用地毯和走廊的特性来减少计算复杂度。

这一页讲的是 Polly 机器人如何通过环境特定的简化假设来实现高效导航,这是 Rodney Brooks「situated AI」思想的核心体现。Polly 的设计前提是:它工作的环境是办公楼走廊,地毯颜色均匀无花纹,场地整洁。正是这些约束让三个极为廉价的计算捷径成为可能。第一,地毯检测作为障碍物检测的代理——图像中凡不是地毯颜色/纹理的区域,几乎肯定是障碍物,这把一个高难度的三维感知问题压缩成了一个颜色分类问题。第二,地面平面约束——因为地板是平的,图像中位置越高的物体在三维空间中越远,所以图像的竖向位置直接编码了深度信息,完全不需要双目立体视觉或激光测距。第三,走廊几何约束——走廊两侧墙壁形成的透视收缩极大地限制了远处地标在图像中出现的位置范围,大幅缩小了视觉搜索空间。设计原则可以归纳为:如果环境让你能解一个更简单的问题,就不要去解最难的那个版本。这种思路在考试中的考法通常是给你一个场景,问「这个机器人做了哪些简化假设?」或者「如果把 Polly 放到有花纹地毯的环境,哪个模块会首先失效?」——答案是地毯/障碍物检测模块,因为它的判断逻辑直接依赖「无花纹=地毯=可通行」这一假设。易错点:同学容易把「简化假设」理解为「偷懒」,其实这是工程理性的体现——在特定任务域内把系统做到鲁棒,比在所有任务域内都做到平庸要有价值得多。

这一页讲的是 Polly 的视觉系统。主要内容包括低分辨率图像采集、视觉感知生成以及示例操作。

这一页讲的是 Polly 的视觉系统。Polly 每 66 毫秒采集一张 64 × 48 像素的低分辨率图像，这种低分辨率设计计算成本低，适合低功耗设备使用。每一帧图像会生成一组视觉感知 (visual precepts)，这些感知主要是布尔值，例如 open-left? (左侧是否开放)、wall-ahead? (前方是否有墙)、person-ahead? (前方是否有人) 等。这些感知帮助系统理解环境并作出决策。示例操作包括径向深度图 (radial depth map)，利用声纳类似的方式结合地面平面约束来计算深度；边缘检测 (edge detection)，假设环境中存在直线型走廊边缘并优先识别这些特征。这种视觉系统设计简单但功能实用，适合资源受限的设备，例如机器人导航或简单环境感知。

这一页讲的是 Polly 的导航与控制系统。主要包括存储地标外观记录、使用旋转里程计跟踪方向，以及通过区域识别定位。

这一页讲的是 Polly 的导航与控制系统，采用基于外观的实用模型，而非完整符号化世界模型。首先，Polly 系统存储了一系列帧（frames）记录，描述地标在不同方向和距离下的外观。这些记录分辨率较低，但视觉搜索效率却很高。其次，它使用粗略的旋转里程计（rotational odometry）来跟踪方向，通过计算左转和右转的角度变化来确定航向。此外，Polly 能识别区域（districts）以恢复定位。例如，当它向东移动并看到前方有左转时，可以判断自己位于南部走廊，并将 y 坐标设置为 10，这有助于避免迷路。最后，Polly 的访客通过挥动脚来请求导览服务，因为系统没有语音识别功能，摄像头仅关注人们的脚或腿部位置。这种导航方式强调基于外观的实用性，而非复杂的符号化模型。

这一页讲的是 Allen 机器人及其分层控制系统。重点包括使用声纳传感器避障、分层行为设计（Avoid、Wander、Explore），以及其简单编程实现智能行为。

这一页讲的是 Allen 机器人，它由 Allen 于1986年设计，用来展示 Brooks 提出的分层控制系统（layered control system）的理念。Allen 使用声纳传感器（sonar sensors）测量障碍物距离，并通过三个行为层次实现智能导航：第一层是 Avoid（避开），根据障碍物距离计算阻止力，越近阻力越大；第二层是 Wander（漫游），随机选择一个方向并保持约10秒；第三层是 Explore（探索），朝向宽阔空间的方向移动。机器人通过综合这三层的力量来决定行动方向。结果表明，这种设计无需复杂的规划或丰富的知识，仅通过简单的编程即可实现稳健的漫游行为。这种方法为智能机器人提供了新的思路，强调通过简单的规则实现复杂行为的可能性。

这一页讲的是 Allen 机器人的三层分层控制架构(Layered Control Architecture),这是 Brooks 最有影响力的工程思想之一,也是理解后续所有具身机器人设计的基础。Allen 用声呐传感器获取障碍物距离信息,然后通过三层行为叠加来决定运动方向。第 0 层「避障 Avoid」:如果有障碍物靠近,就偏转逃离,偏转力大小与距离的平方成反比——距离越近,排斥力越强,这是最低级、优先级最高的反射行为。第 1 层「漫游 Wander」:选一个随机方向并保持大约 10 秒,这给机器人提供了基础的探索驱动力。第 2 层「探索 Explore」:主动朝开阔空间的方向移动,让机器人倾向于进入未知区域而非原地转圈。三层同时运行,最终方向由三层产生的「力」叠加合成。这个架构的美妙之处在于:不需要全局地图,不需要规划,不需要丰富的知识表示,只靠极简的编程就能产生看起来「智能」的漫游行为。这是一种反应式架构(reactive architecture),与传统的「感知—建模—规划—行动」管道形成鲜明对比。考试常见考法:给出行为描述,让你说出它属于哪一层;或者问「这种架构与经典 AI 规划的区别是什么?」关键区别是:经典 AI 需要世界模型和推理,而分层反应架构把「智能」下放到了传感器-行动器的直接映射。易错点:层与层之间不是顺序执行,而是并发运行并叠加输出,不能理解为「如果第 0 层不触发就执行第 1 层」。

这一页讲的是 Polly 的前身机器人 Squirt、Herbert 和 Genghis。Squirt 寻找暗处并静止；Herbert 用机械臂偷空汽水罐；Genghis 展现松散控制但能跟随红外源。

这一页讲的是 Polly 的三个前身机器人：Squirt、Herbert 和 Genghis。Squirt 是一个体积约为一立方英寸的小型机器人，其基本行为是寻找暗处并静止。它的上层行为包括在听到大声后静止几秒，然后迅速靠近声源；随后又会启动基本行为，在更靠近目标的暗处隐藏。Herbert 配备了机械臂，专门编程用于偷取空汽水罐，展示了简单任务的自动化能力。Genghis 是一个六足机器人，尽管其腿部运动没有明确协调，但仍能有效地四处移动，并跟随红外信号。这些机器人展示了不同的行为层次和控制方式，分别体现了环境感知、任务执行和松散控制的概念。例如，Genghis 的松散控制使其能够适应复杂地形，同时保持对红外源的跟踪能力。

这一页讲的是 BigDog 四足机器人设计理念及应用。重点包括其适应复杂地形的能力、采用类似动物的腿部设计，以及 DARPA 的资助背景。

这一页讲的是 BigDog，一个由美国 DARPA 资助开发的四足机器人原型，专门设计用于复杂地形（rough terrain）。首先，这种机器人突破了传统轮式或履带式设计，转而采用类似动物的腿部结构（legs），以增强其在不平坦地面上的移动能力。这种设计灵感来源于自然界的四足动物，能够更好地应对岩石、泥泞和森林等环境。其次，BigDog 的开发体现了美国军方对这种技术的重视，旨在为军事行动提供更可靠的地形适应解决方案。页面右侧的图片展示了 BigDog 在森林中行走的场景，强调其在真实环境中的性能优势。此外，页面还提供了一个演示视频链接，可以帮助进一步了解其动态表现。这项技术的重要性在于，它为机器人在复杂地形中的应用开辟了新的可能，例如运输物资或执行侦查任务。

这一页讲的是机器人物理架构，包括动力系统、传感器和控制系统的组成。重点是两冲程发动机驱动液压泵、高压油控制腿部执行器，以及传感器和控制系统的功能。

这一页讲的是机器人物理架构的设计。首先，它使用了两冲程水冷内燃发动机（类似于廉价摩托车的发动机）来驱动液压泵，提供动力。这种设计通过高压油驱动伺服阀和液压缸来控制腿部执行器，确保机器人腿部动作的精确性。其次，传感器在腿部测量关节位置和施加的力，惯性传感器则负责测量机器人身体的角度和加速度。这些传感器的数据为控制系统提供实时反馈。最后，机器人配备了一个双层控制系统（two-level control system），由车载计算机运行，用于协调动力和传感器数据以实现稳定的运动控制。右侧的图展示了机器人各部分的布局，包括发动机、液压泵、热交换器、传感器和腿部执行器等关键部件。整个机器人质量约为109公斤，是一个复杂但高效的物理架构设计。

这一页讲的是腿部行走控制，包括低层和高层控制，以及不同步态的应用。

这一页讲的是腿部行走控制的原理和应用。低层控制（Low-level control）负责管理单个关节的位置和受力情况，确保每个关节的运动精确。高层控制（High-level control）则协调腿部动作以调节身体的速度、姿态（包括俯仰、偏航、滚动）和高度，例如蹲下或站立。每条腿都会产生地面反作用力，作用于髋部以保持平衡。BigDog可以在不同步态之间切换，包括爬行（crawl）、行走（walk）和小跑（trot）。其中，小跑用于快速移动，而爬行适合在陡峭或湿滑的地面上行进。此外，控制器还可以调整躯干的俯仰角度，以适应爬坡或下坡的需求。这种多层次的控制机制使得机器人或动物能够在复杂地形上实现稳定和高效的运动。

这一页讲的是动态平衡问题。重点包括学习算法控制腿部动作、单腿跳跃机器人、以及实验中使用的tether。

这一页讲的是动态平衡问题，主要讨论如何通过学习算法实现腿部控制。这属于更广泛的平衡问题类别，例如课程中提到的 NEAT 算法解决二维双杆平衡任务的案例。单腿跳跃机器人是这一类控制问题的典型示例，因为它的动作易于观察和分析，例如视频中展示的 BigDog 实验室的前期研究成果。此外，幻灯片提到在许多实验视频中可以看到 tether（系绳），这是因为为了减轻原型设备的重量和降低成本，电源和计算设备通常外置。这样的设计使得实验更灵活，同时也能专注于动态平衡算法的开发。

这一页讲的是BigDog机器人的行为特点及其应用前景。主要提到它的视觉与LIDAR功能、噪音问题对军事应用的影响，以及未来可能的改进方向和潜在用途。

这一页讲的是BigDog机器人的高层行为特点及其命运。首先，它通过立体视觉和激光雷达（LIDAR）来估算地形形状并跟随领导者，这使其在复杂地形中具备较强的导航能力。然而，在“跟随模式”之外，它的表现有时像无人机一样被“驾驶”。其次，原型机的噪音非常大，这导致军方逐渐失去兴趣，但这并不意味着这种设计对所有应用场景都是死胡同。一些研究人员提出可以采用四冲程发动机、消音器或混合动力系统来改进，但这些方案可能会增加重量，使其更像一辆汽车。另外，随着电池技术的进步，充电问题有所改善，但在战场上充电仍是一个重大限制。尽管如此，BigDog的设计在搜索与救援、危险场地检查以及排雷等领域仍然具有很大的潜力。这些应用场景表明，尽管军事用途受限，BigDog的技术方向依然值得探索和优化。

这一页讲的是火星探测车的自主控制重要性及其关键技术。主要强调通信延迟问题、自主导航能力和传感器的使用。

这一页讲的是火星探测车需要一定程度的自主控制，因为通信延迟使得指令传输耗时较长。探测车通过多种技术实现自主导航，包括立体相机构建地形图、轮式里程计估算运动（但在沙地上不可靠）、惯性传感器估算俯仰和滚动角度，以及通过太阳位置和时间估算方向。此外，探测车可以规划路径，动态适应环境，并遵守人类标记的禁区。右侧的图展示了探测车如何利用地形图规划路径，避开危险区域。这些技术体现了在严苛条件下的灵活设计和近似算法的重要性，例如在沙地滑动时的运动估算问题。一个例子是，探测车在火星表面遇到沙地时，轮式里程计可能失效，而惯性传感器可以提供补充信息。这些技术的结合确保了探测车在远程环境中能够高效完成任务。

这一页讲的是太空探测的挑战及创新。主要包括探测车设计的保守性、释放机器人群的建议，以及 Ingenuity 直升机的成功案例。

这一页讲的是太空探测任务中面临的严酷条件和技术挑战。首先，探测车的设计非常保守，因为硬件必须能够承受辐射和极端温度，还要避免太阳能板积尘导致任务失败。同时，探测车移动速度非常慢，翻倒会造成灾难性后果。其次，有研究者建议释放类似“成吉思汗”风格的虫型机器人群，以提高任务灵活性和效率。最后，Ingenuity 直升机是一个突破性的技术尝试，原计划完成 5 次飞行，实际完成了 72 次，证明了这种创新的风险是值得的。这张幻灯片通过这些例子说明了太空探索需要在保守设计与大胆创新之间取得平衡。

这一页讲的是嵌入式 AI 平台的发展及其潜力。主要包括其在复杂环境中的移动能力、高级应用支持，以及对技术炒作的谨慎态度。

这一页讲的是嵌入式 AI 平台（Embodied AI platforms）的进步及其应用潜力。首先，这些平台在穿越复杂环境方面越来越强，例如腿式系统可能进入轮式系统无法到达的地方，比如杂乱的家庭环境，而不仅仅是医院走廊。低层次的运动和导航可以通过软计算（Soft computing）、机器学习（Machine learning）以及任务特定的捷径来实现。其次，这些平台能够支持更高层次的应用，例如经典规划（Classical planning）、卷积神经网络视觉（CNN vision）、语音识别（Speech recognition）以及基于大型语言模型（LLM）的查询响应功能。此外，幻灯片提醒我们对技术炒作保持谨慎态度，尽管许多视频展示了机器人惊人的行为，但这些技术可能尚未转化为可用的产品。右侧的图片展示了一个嵌入式 AI 机器人在新加坡樟宜机场的实际应用场景，这表明这些技术正在逐步走向现实应用。

这一页讲的是机器人与动物能力的差距。主要强调动物在敏捷性、稳健性和能源效率方面的优势，以及生物系统作为机器人发展的基准和灵感。

这一页讲的是机器人在能力上与动物相比仍有较大差距。首先，动物在敏捷性（agility）、稳健性（robustness）和能源效率（energy efficiency）方面仍然占据主导地位，这是当前机器人技术难以完全匹敌的领域。其次，生物系统不仅是机器人发展的基准（benchmark），也是设计和创新的重要灵感来源。最后，页面提到尽管机器人可以展示一些较为先进的演示功能（competent demos），但它们距离实现全面的通用能力（all-purpose competence）还有很大的差距。举例来说，狮群在复杂环境中的协调行动和高效能量使用是机器人难以模仿的。这张幻灯片提醒我们，生物学的研究和模仿对机器人技术的进步至关重要，同时也指出了技术发展的长期目标和挑战。

这一页讲的是参考文献列表（第一部分），列举了与机器人自主性、视觉系统及移动机器人控制相关的经典研究与论文。

这一页讲的是参考文献列表（第一部分），主要涉及机器人技术领域的关键研究成果。包括 Bajracharya 等人在 2008 年关于火星探测车自主性的过去、现在和未来的研究，强调了火星探测车在复杂环境中的自主能力；Brooks 在 1986 年提出的移动机器人分层控制系统，这是机器人控制领域的重要理论，强调了分层架构的鲁棒性；Brooks 在 1990 年的另一篇文章探讨了“Elephants don’t play chess”，从哲学角度讨论了机器人与人类认知的差异；Horswill 在 1993 年的研究展示了基于视觉的人工智能代理 Polly，说明了视觉系统在机器人中的应用；Raibert 等人在 2008 年关于 BigDog 四足机器人在复杂地形中的运动性能的研究，展示了机器人在实际环境中的适应性。这些文献为理解机器人技术的发展提供了重要的背景知识和理论支持。

这一页讲的是社会性动物的特性及其对强人工智能的启发。主要内容包括动物的社会性、集体系统的组织性，以及强人工智能的类比可能性。

这一页讲的是社会性动物的特性及其对强人工智能（Strong AI）的启发。首先，许多聪明的动物，尤其是与人类关系密切的灵长类动物，具有高度的社会性。这种社会性体现在协作、沟通和群体行为中。其次，某些集体系统，例如蜜蜂群体，虽然个体智能有限，但整体却展现出高度复杂的组织性和协调性。这说明即使单个个体不特别聪明，集体仍然能够通过互动和分工实现复杂目标。幻灯片中展示了灵长类动物、驮运工作的动物以及蜜蜂群体的图片，分别体现了社会性、协作和集体智慧的不同方面。最后，强人工智能应该能够通过模拟这些社会性和集体智慧的特性，创造类似的协作和组织系统。这种类比对于人工智能的发展具有重要意义，因为它强调了智能不仅仅是个体能力，还包括群体互动和组织能力的整合。

这一页讲的是联合推理 (Joint reasoning)。重点包括 Tambe 的研究、攻击直升机团队计划的脆弱性，以及补丁规则的局限性。

这一页讲的是联合推理 (Joint reasoning)。Tambe (1997) 研究了如何在物理分布式智能体团队中进行经典 AI 规划。一个典型的应用场景是攻击直升机小队的任务规划。幻灯片中提到团队计划的脆弱性，例如如果侦察机被摧毁，其他成员可能会无限等待“安全信号”，导致任务失败。此外，虽然添加额外规则可以修补某些失败，但临时性补丁规则可能导致更多问题扩散，同时隐藏其他潜在失败。右侧的流程图展示了直升机执行任务的步骤，包括从基地出发、飞行控制、任务执行（如定位、选择目标、使用武器等），以及返回基地的过程。这种流程图说明了任务的复杂性和需要协调的多步骤过程。举例来说，如果某一步骤失败，例如“掩护”阶段未完成，可能导致整个任务无法继续。这页内容强调了联合推理在复杂团队任务中的重要性，以及对团队计划的鲁棒性设计需求。

这一页讲的是 STEAM 框架的核心理念，即团队成员对共同持续目标（JPG）的承诺，以及如何通过沟通来应对目标状态变化。

这一页讲的是 STEAM 框架的核心理念，即团队成员对共同持续目标（Joint Persistent Goal, JPG）的承诺。团队成员会持续追求目标，直到发现目标已实现（Achieved）、不可实现（Unachievable）或无关紧要（Irrelevant）。如果某个成员私下得出目标状态为上述之一的结论，它会退出当前 JPG，但会通过沟通建立团队的新共同信念（Mutual Belief），以确保所有成员对目标状态有一致的理解。STEAM 的本质是一种沟通承诺，而不仅仅是行动的承诺。此外，Tambe 比较了不同的沟通策略，指出简单的沟通可能会产生过多的信息。幻灯片中的例子说明，当团队成员发现任务因地对空导弹电池的存在而变得不可实现时，不应直接飞走，而是需要通过沟通解释情况。这强调了沟通在团队合作中的重要性。

这一页讲的是 STEAM 框架中的联合持久目标(Joint Persistent Goal,JPG),这是多智能体协调领域的一个重要理论工具。背景是 Tambe 1997 年研究如何让一个物理分布的智能体团队执行经典 AI 规划任务——以攻击直升机编队为例。问题的核心在于:如果一个团队成员失效,如何避免整个团队陷入死锁?一个脆弱的团队计划可能因为「侦察机被击落,所有队员都在等待全面通行信号」而完全崩溃。简单地给每个故障场景打补丁会导致规则爆炸且仍有盲点。JPG 的解决方案是:团队成员对一个共同目标保持承诺,直到他们得知该目标已经「达成(Achieved)、不可实现(Unachievable)或无关(Irrelevant)」——简记为 A 或 U 或 I。如果某个智能体私下推断出目标处于 A/U/I 状态,它不能默默退出,而是有义务让全队建立关于这一状态的共同信念(mutual belief)。也就是说,STEAM 的本质不只是「承诺去行动」,而是「承诺去沟通」。考试典型考法:给一个团队场景描述,问「在 JPG 框架下,当某成员发现任务不可完成时应该怎么做?」——答案是通知全队,建立共同信念,而不是单方面退出。易错点:很多同学以为 JPG 只是「持续追求目标直到完成」,忽略了通信义务这一关键;另一个易错点是混淆「个体信念」和「共同信念」——只有团队所有成员都知道(并知道彼此都知道)目标状态改变了,才算形成了 mutual belief。

这一页讲的是 Brooks 的论文《Elephants don't play chess》及其对 AI 方法论的启示。重点包括智能的起点、简单智能行为的研究，以及从具体能力向高阶表现的构建路径。

这一页讲的是 Brooks 在1990年的著名论文《Elephants don't play chess》，虽然标题提到大象，但实际上并未讨论大象，而是强调智能的起点并非象棋等复杂问题。论文指出，地球生命的大部分历史都集中在简单生命形式的进化上，直到寒武纪大爆发后才出现更复杂的动物，而人类级别的智能仅在最近百万年内才出现。由此，Brooks 提出了一个重要观点：通用人工智能（General AI）应该更多地研究简单智能行为，例如蟑螂、老鼠的运动能力和社会协调能力。这种研究路径强调从具体能力（situated competence）向高阶符号表现（elite symbolic performance）逐步构建，而非直接从复杂问题入手。这种方法论为从具身机器人到群体行为和团队协作的研究提供了概念桥梁。

这一页讲的是 Brooks 1990 年那篇著名论文「大象不下棋(Elephants Don't Play Chess)」的核心论点及其对 AI 方法论的深远影响。Brooks 的论点是:传统 AI 把国际象棋这类高级符号推理当作智能的标杆,但这是错位的——进化在地球上花了十几亿年才从单细胞生命演化出简单动物,寒武纪大爆发后又花了几亿年才有大型动物,而人类级别的智能只是最近区区百万年的事。这意味着:感知、运动、社会协调等「低级」能力才是智能的根基,是进化花时间磨炼的核心。象棋式的符号推理只是这棵树上很晚才长出来的一根新枝。因此,通用 AI 也应该从「蟑螂、老鼠、运动控制、社会协调」这些简单行为出发,从下往上构建,而不是从「定理证明器」出发往下分解。这为本讲的整体叙事提供了方法论支柱:从 Polly 的简单视觉导航,到 BigDog 的动态平衡,再到 Boids 的群集,再到机器人团队协调,都是在沿着「从简单能力向上组合」这条路走。考试考法通常是概念辨析:「Brooks 的 situated AI 和传统符号 AI 的核心分歧是什么?」答案要点是:situated AI 强调智能根植于物理环境中的实时反应,不需要（也不应该先建立）完整的世界模型；而传统符号 AI 假设智能体有一个显式的内部世界表示并在其上推理。易错点：不要把这篇论文理解为「反对高级 AI」,而应理解为「主张从基础能力出发组合出高级 AI」。

这一页讲的是燕群的动态模式与分布式协调。主要探讨鸟群如何形成复杂图案、个体如何决定方向以及如何无中央控制地传递计划。

这一页讲的是燕群（starlings）的动态模式与分布式协调（distributed coordination）。燕群可以通过成千上万只鸟的集体移动形成令人惊叹的复杂图案。幻灯片提出了几个关键问题：第一，哪只鸟决定群体的移动方向？第二，这种移动的“计划”是如何在群体中传递的？这些问题引发了对无中央控制的分布式协调机制的思考。右侧的图片展示了燕群飞行时形成的流畅动态图案，说明了个体间的高度协调性。这样的现象在自然界中非常重要，因为它揭示了复杂系统如何通过简单规则实现高效运作。例如，鸟群可能通过观察邻近个体的行为来调整自己的方向，而不需要一个领导者。这种机制在人工智能和分布式系统设计中具有启发性，比如无人机编队或网络通信中的负载均衡。幻灯片还提供了一个视频链接，可以进一步观察这种现象的动态表现。

这一页讲的是Reynolds在1987年提出的三条简单规则，用于描述群体行为的局部交互机制。主要包括避免碰撞、群体集中和速度匹配。

这一页讲的是Reynolds在1987年提出的三条简单规则，用于模拟群体行为的局部交互机制。第一条规则是Collision avoidance（避免碰撞），要求个体之间保持最小距离，避免相互碰撞；第二条规则是Flock centering（群体集中），强调个体应靠近群体中心，避免偏离群体；第三条规则是Velocity matching（速度匹配），要求个体调整自己的速度和方向以与邻近个体保持一致。速度是一个矢量，包含速度大小和方向。这些规则是一种agent-based modelling（基于代理的建模）方法，通过局部交互（local interactions）实现全局行为（global behavior）。这种建模方法广泛应用于流行病学和社交网络动态等领域。举例来说，在鸟群飞行中，每只鸟根据上述规则调整自己的行为，从而形成整体协调的飞行模式。

这一页讲的是 Reynolds 1987 年提出的 Boids 模型中的三条局部规则,以及它们如何产生宏观上复杂的群集涌现行为(emergent flocking behavior)。三条规则分别是:R1「碰撞回避 Collision Avoidance」——不要进入邻近伙伴的最小间距圈内,这产生了个体之间的排斥力;R2「群中心聚集 Flock Centering」——向可见邻居的平均位置靠拢,不要偏离群体太远,这产生了凝聚力;R3「速度匹配 Velocity Matching」——使自己的速度向量(包括大小和方向)与邻近个体对齐,这产生了方向同步。注意「速度」是向量,不只是速率——R3 实现的是方向对齐,而不仅仅是快慢一致。这三条规则全是局部的:每只 boid 只需要感知附近的邻居,没有任何中央协调者。然而宏观上会涌现出极为逼真的鸟群、鱼群、兽群动态——包括转向波、分裂与合并、绕障碍物流动。这是「涌现(emergence)」的教科书案例:整体行为远比个体规则复杂,且无法从单条规则中单独看出来。考试考法:给一段群体行为描述,让你判断是哪条规则主导产生的;或者问「如果关掉 R3,群体行为会如何变化?」——答案是个体仍然聚集但方向混乱,无法形成统一流向的群。易错点:R2 是「向邻居的中心靠拢」而不是「向全群中心靠拢」——这是纯局部的,不需要全局信息。

这一页讲的是“Boids”模拟器，它展示了群体行为的生成机制。主要内容包括Reynolds规则如何生成群体行为、模拟器如何体现涌现现象，以及规则与行为的关系。

这一页讲的是“Boids”（bird-droids）模拟器，它是一个展示群体行为生成的工具。首先，Reynolds规则可以通过简单的局部规则生成类似鸟群的复杂行为，例如聚集、分散和队列移动。这体现了涌现（emergence）现象，即复杂的整体模式可以从简单的局部交互中产生。其次，这个模拟器还可以帮助我们理解不同规则如何导致不同的可见行为。比如，通过调整个体间的吸引力或排斥力，可以观察到群体行为的变化。右侧视频展示了模拟器的运行效果，绿色箭头代表个体，红点可能是障碍物或目标。模拟器的实际应用包括研究自然群体行为、优化机器人群体控制等。最后，页面提供了一个演示视频链接，供进一步学习和探索。

这一页讲的是 Hermellin 和 Michel 模型的详细内容，包括 5 个参数和 3 个代理属性，以及规则如何基于这些参数实现。

这一页讲的是 Hermellin 和 Michel (2017) 的模型实现细节。模型使用了 5 个参数，包括视野范围 (field of view)、最小分离距离 (minimum separation distance)、凝聚阈值 (cohesion threshold)、最大速度 (maximum speed) 和最大旋转角度 (maximum rotation)。此外，还定义了 3 个代理属性 (agent attributes)，分别是方向 (heading)、速度 (speed) 和最近邻列表 (nearest-neighbor list)。规则的实现基于这些参数。例如，规则 R2 描述了当多个代理靠近但不太近时，代理会调整其方向以接近可见邻居的平均方向；规则 R1 描述了当代理过于接近其他代理时，会检查其方向与邻居方向是否可能导致碰撞，如果会，则通过旋转来避免。最后强调，小的实现选择可能会显著影响群体行为的结果。

这一页讲的是 Boids 模型的具体参数化实现细节,说明简单规则的具体实现方式对涌现行为的影响有多大。Hermellin 和 Michel 2017 年的实现使用 5 个参数和 3 个智能体属性。5 个参数包括:视野角(field of view)、最小分离距离、凝聚阈值、最大速度、最大旋转角速度。3 个智能体属性是:朝向(heading)、速度(speed)和最近邻列表(nearest-neighbor list)。规则的实现依赖这些参数来量化「多近算太近」「多远算太远」等判断阈值。以 R2 为例:当多个 boid 处于凝聚阈值范围内(不太近也不太远)时,当前 boid 将自己的朝向调整为可见邻居平均朝向——这里的「平均朝向」是对邻居速度向量取平均后的方向。以 R1 为例:如果某 boid 与邻居距离小于最小分离距离,它判断两者的朝向是否会导致碰撞,若是则旋转规避。关键结论是:小小的实现细节——比如视野角设为 270 度还是 360 度,凝聚阈值设多大——会让涌现出来的群集行为产生显著差异。这对理解 agent-based modeling 有重要意义:你在建模时做的微小假设可能深刻改变系统级行为。考试考法常见的是「这个模型属于什么类型的建模方法?」——答案是 agent-based modeling(基于主体的建模),全局行为从大量简单主体的局部交互中涌现,类似思路也用于流行病学建模和社交网络动态建模。易错点:不要把「参数」和「规则」混淆——规则是 R1/R2/R3 三条逻辑,参数是决定规则触发条件的数值。

这一页讲的是机器人足球，它是一个多智能体人工智能（multi-agent AI）研究的理想测试平台。重点包括感知、运动、通信、协调和策略的结合，以及比赛录像的应用。

这一页讲的是机器人足球，它作为多智能体人工智能（multi-agent AI）的测试平台具有重要意义。机器人足球结合了多个关键能力：感知（perception）用于识别环境和目标，运动（locomotion）实现物理移动，通信（communication）用于队友间的信息交流，协调（coordination）确保团队配合，以及策略（strategy）用于制定比赛计划。通过比赛录像，可以清晰地看到机器人在实际环境中解决协调问题的表现，这使得研究更加具体和实际。比如在比赛中，机器人需要实时感知球的位置，与队友沟通传球策略，并快速调整行动以应对对手的干扰。这种测试环境不仅能验证算法的有效性，还能推动人工智能在复杂动态环境中的应用。

这一页讲的是机器人如何协调合作，重点包括规则对协调方式的影响和机器人感知的局限性。

这一页讲的是机器人如何协调合作。首先，协调方式受到比赛规则的强烈影响。例如，机器人是否可以通过 WiFi 访问共享数据模型（shared data model），是否有俯视摄像头（overhead camera view）提供全局视角，或者机器人之间是否可以直接通信、通过控制计算机交流，还是仅能使用身体信号。这些因素决定了机器人能否高效合作。其次，机器人自身的感知能力可能非常有限，例如行走平台不稳定以及视野范围狭窄。在这种情况下，每个机器人只能维护一个粗略的概率模型（probabilistic model）来估计比赛状态。这种模型通过概率推断帮助机器人在信息受限的情况下做出决策。举例来说，如果机器人无法看到全局比赛状态，它可能需要根据有限的传感器数据预测队友的位置和球的位置，从而制定行动策略。

这一页讲的是机器人足球选手的协调策略，包括集体行为、定位策略和基于角色的策略。

这一页讲的是机器人足球选手的协调策略。首先是集体行为 (Collective behaviors)，例如传球策略 (passing strategies)，通过拦截预测 (interception prediction) 确定候选传球点，并根据位置和战术价值对这些传球点进行评分。其次是定位策略 (Positioning strategies)，强调选择既能进攻又能防守的队形。第三是基于角色的策略 (Role-based strategies)，通过比赛情况动态分配角色。最后指出，定位和基于角色的方法在队友对比赛情况有相似理解时效果最佳。这些策略对机器人足球比赛中的团队协作和战术执行至关重要，确保机器人能够在复杂动态环境中做出高效决策。例如，传球点评分可以帮助机器人选择最佳传球目标，从而提高进攻效率。

这一页讲的是机器人足球中多智能体协调的挑战与策略层次,是多智能体系统从理论走向实际工程的具体案例。协调方式高度依赖比赛联盟的规则:有些联盟允许通过 WiFi 共享全局数据模型,有些提供头顶摄像机的全局视图,有些则限制机器人只能用肢体动作互相传递信息。在最受限的情况下,每个机器人只有自己的局部视野——而步行平台本身不稳定、视野角度窄,感知极为有限,因此每个机器人可能只维护一个粗糙的概率性游戏状态模型(probabilistic model of game state)。协调策略分三个层次:集体行为层(collective behaviors)——如传球策略:先预测对手拦截路径,得出候选传球点,再按场上位置和战术价值给这些传球点打分;阵型策略层(positioning strategies)——选择同时覆盖进攻和防守机会的阵型;角色分配层(role-based strategies)——根据比赛实时态势动态分配角色(如前锋、后卫、守门员)。后两种方法在队友对当前局面有足够相近的感知时效果最好——如果各自的状态估计偏差太大,阵型和角色分配就会失调。这与 STEAM 的 JPG 思想呼应:团队协调依赖的不只是行动承诺,更是感知和信念的同步。考试考法:对比单智能体与多智能体系统的挑战差异;或问「为什么在感知受限的联盟中,概率状态模型比确定性模型更合适?」——因为每个机器人的局部观测是不完整且含噪声的,用概率分布来表示不确定性比强行给出确定状态更鲁棒。

这一页讲的是课程模块总结，涵盖了多种方法及其应用，包括规则系统、决策树、模糊逻辑等。主要内容有：知识表示、控制器设计、分类器构建和团队协调。

这一页讲的是课程模块的总结，主要回顾了几种人工智能方法及其应用。这些方法包括基于规则的专家系统、决策树与森林、模糊逻辑、朴素贝叶斯分类器、遗传算法、步行机器人以及团队行为。这些方法的应用范围广泛，例如：第一，表示和操作化专业知识，能够将专家知识转化为可操作的形式；第二，使用启发式方法为特定设备设计控制器，比如机器人控制；第三，从标注样例中构建分类器，例如垃圾邮件检测；第四，通过反馈和模拟优化控制器，提高其性能；最后，协调团队行为，例如通过联合目标、群体规则和角色选择实现团队协作。这些技术在实际应用中非常重要，例如在自动化系统中优化性能，或者在团队机器人中实现高效协作。

这一页讲的是 AI 的发展总结，包括嵌入式控制器的应用、从自然中借鉴的算法，以及机器人技术的现状。

这一页讲的是 AI 的发展总结。首先，许多早期重要的 AI 成就是在嵌入式控制器中实现的，但因为它们隐藏在日常设备中而容易被忽视。例如，智能控制器广泛应用于洗衣机、吸尘器、汽车和飞机中，包括防抱死刹车系统（ABS）和自动驾驶仪，即使人类仍在高层次上控制车辆。其次，许多 AI 方法从自然界中借鉴了灵感，例如遗传算法（Genetic algorithms）和神经网络（neural networks），这些技术模仿了自然界中的进化和神经系统的工作原理。最后，尽管机器人技术尚未完全达到科幻电影中的水平，但其核心构件已经存在，并在特定应用中得到了广泛使用。这表明机器人技术正在逐步走向成熟，但仍需进一步发展以实现更广泛的应用。

这一页讲的是参考文献的第二部分，列举了与机器人、群体行为和团队协作相关的经典研究。

这一页讲的是参考文献的第二部分，主要列举了五篇与机器人技术、群体行为建模和团队协作架构相关的经典研究文章。第一篇是 Antonioni 等人在 2021 年发表的关于物理机器人足球玩家策略的综述，分析了机器人在游戏中的策略行为。第二篇是 Brooks 在 1990 年的文章《Elephants don’t play chess》，探讨了机器人不适合采用传统象棋式规划的原因。第三篇是 Hermellin 和 Michel 在 2017 年研究复杂群体行为的动态模型，强调无需全局刺激的群体行为机制。第四篇是 Reynolds 在 1987 年提出的分布式行为模型，研究了群体如鸟群、鱼群的行为模式。最后一篇是 Tambe 在 1997 年关于灵活实用团队协作的代理架构研究。这些文献为机器人行为建模、群体行为和团队协作提供了重要理论基础。

这一页讲的是总结与过渡。本周有测验，接下来由 Yueying 继续讲解。

这一页讲的是课程的总结与过渡。这页幻灯片首先表达了对参与者的感谢，随后提醒大家本周会有一次测验（quiz），这可能是对之前课程内容的复习和巩固。最后提到下一部分内容将由 Yueying 来继续讲解，暗示课程进入新的阶段或主题。这种安排通常用于课程的结束和新环节的开始，帮助学生明确学习任务和过渡阶段的重要性。