Introduction : Le rôle indispensable de la probabilité dans les machines intelligentes

La théorie de la probabilité est l'épine dorsale mathématique de l'intelligence artificielle et de la robotique, fournissant les outils pour prendre des décisions lorsque l'information est incomplète, bruyante ou ambiguë.Tout système intelligent opérant dans le monde réel doit faire face à l'incertitude : les lectures de capteurs dérivent, les environnements changent et les états futurs ne sont jamais entièrement prévisibles.En codant l'incertitude comme distribution de probabilités, les systèmes d'IA et de robotique peuvent justifier rigoureusement ce qu'ils savent et ce qu'ils ne savent pas.

Méthodes probabilistes de base

Inférence bayésienne : Mise à jour continue de la croyance

Les méthodes bayésiennes constituent la pierre angulaire du raisonnement probabiliste. Au cœur du théorème de Bayes, il s'agit d'une façon de principe pour mettre à jour la plausibilité d'une hypothèse à mesure que de nouvelles preuves arrivent :

P(H)E = P(E)H * P(H) / P(E)

En IA, cela se traduit par le maintien d'un État de croyance— une distribution de probabilités sur des états possibles du monde. Par exemple, une voiture autoconduite qui estime son emplacement utilise une croyance antérieure à partir de modèles de mouvement (par exemple, à partir de l'odométrie) et la corrige avec des mesures de capteur (par exemple, radar ou caméra). Le résultat est une distribution postérieure qui fusionne les deux sources d'information. L'inférence bayésienne est également le fondement de nombreuses techniques modernes d'apprentissage automatique, y compris les réseaux neuronaux bayésiens, les processus gaussiens et les modèles de sujets probabilistes.

Modèles graphiques probabilistes : représentation des dépendances complexes

Les modèles graphiques probabilistes (MGP) fournissent une représentation compacte des distributions conjointes sur de nombreuses variables. Un graphe , les nœuds représentent des variables aléatoires et les bords indiquent des dépendances conditionnelles. Deux classes principales sont les réseaux bayésiens (graphiques acycliques dirigés) et les champs aléatoires Markov (graphiques non dirigés). Les MGP soutiennent des algorithmes d'inférence efficaces tels que la propagation des croyances, l'élimination des variables et l'arbre de jonction. Ils sont largement utilisés dans la vision informatique (p. ex. segmentation sémantique avec champs aléatoires conditionnels), le traitement du langage naturel (p. ex. modèles Markov cachés pour le marquage en partie de parole) et la robotique (p. ex., modélisation des corrélations de capteurs dans la fusion multicapteurs). Probabilistic Machine Learning par Kevin Murphy.

Méthodes Monte Carlo: Échantillonnage de l'intractable

Lorsque les calculs de probabilité exacts sont invraisemblables, en raison d'intégrales ou de modèles complexes à haute dimension, les techniques Monte Carlo entrent en jeu. Filtre à particules Un emplacement de robot est représenté par un nuage de particules, chacune d'une hypothèse. Au fur et à mesure que le robot se déplace, les particules sont propagées selon un modèle de mouvement; lorsqu'une mesure de capteur arrive, chaque particule est pondérée par la mesure de la correspondance entre les observations. Les particules sont ensuite rééchantillonnées, concentrant les ressources informatiques sur les régions les plus probables. Au-delà de la localisation, Monte Carlo utilise des méthodes d'apprentissage de renforcement de puissance (par exemple, Monte Carlo Tree Search utilisé en AlphaGo), d'optimisation bayésienne et de planification du chemin sous l'incertitude (des planificateurs basés sur l'échantillonnage comme PRM et RRT utilisent des échantillons aléatoires dans l'espace de configuration).

Probabilité en robotique : naviguer dans un monde incertain

La robotique est peut-être la démonstration la plus vivante de probabilité au travail. Chaque robot doit agir sur des données de capteur imparfaites et faire face à une physique imprévisible.

Localisation et cartographie (SLAM)

Le robot doit évaluer conjointement sa propre trajectoire et une carte de l'environnement, tout en traitant le bruit dans le mouvement et la perception. Les algorithmes SLAM précoces utilisent des filtres Kalman étendus (EKF) pour maintenir une croyance gaussienne sur la pose et les repères. Cependant, EKF-SLAM a une complexité quadratique dans le nombre de repères. Les approches modernes utilisent le SLAM basé sur des graphiques, où le problème est encadré comme une optimisation des moindres carrés sur un graphique de pose. Les bords représentent des contraintes de détection d'odométrie et de boucle-fermeture.

En intégrant le rejet probabiliste aberrant (par exemple, les noyaux robustes ou RANSAC), le graphique SLAM atteint la robustesse aux fermetures de fausse boucle. Didacticiel IEEE Robotics et Automation Magazine- Oui.

Prise de décision sous l'incertitude : POMDP

Pour la prise de décision de haut niveau, le processus de décision de Markov partiellement observable (POMDP) est le cadre dominant. Un POMDP modèle le robot avec une connaissance incertaine du monde comme un état de croyance (une distribution de probabilité sur tous les états possibles). Le robot choisit des actions pour maximiser la récompense cumulative attendue. La résolution d'un POMDP est exactement dure SPACE, mais les résolveurs approximatifs – comme l'itération de valeur basée sur des points, l'itération de valeur de Monte Carlo et la recherche en ligne d'arbres – ont rendu ces derniers pratiques pour des tâches réelles.

Planification des motions sous l'incertitude

Au-delà des décisions de haut niveau, l'incertitude affecte la faisabilité du mouvement lui-même. Les robots doivent planifier des chemins qui évitent les collisions malgré un contrôle et une détection imparfaits. Les planificateurs basés sur l'échantillonnage (p. ex., RRT, PRM) traitent l'espace de configuration comme un continuum et utilisent l'échantillonnage aléatoire pour l'explorer. la planification de l'espace de croyance, où l'état inclut l'incertitude du robot. Le chemin est alors calculé dans cet espace d'état augmenté, souvent en utilisant des arbres de croyance aléatoires à exploration rapide ou des variantes PRM qui tiennent compte de la dynamique de la covariance. Ceci est critique pour les véhicules aériens naviguant dans des environnements dénaturés par GPS ou des manipulateurs mobiles qui saisissent des objets avec une distribution de masse inconnue.

Fusion de capteurs et estimation de l'état

Les robots se fondent sur de multiples capteurs avec des caractéristiques complémentaires. La fusion probabiliste des capteurs combine ces mesures tout en tenant compte de leurs incertitudes. Le filtre Kalman, sous ses différentes formes (linéaire, étendu, non parfumé), fournit une estimation optimale de l'état récursif sous des hypothèses de bruit gaussien. Pour les systèmes non linéaires avec bruit non gaussien, le filtre à particules est plus approprié. La fusion des capteurs va au-delà des filtres simples : elle comprend des méthodes comme l'intersection de la covariance, des filtres complémentaires (contribution d'attitude commune pour les drones) et des graphiques de facteurs pour l'odométrie visuelle-inertielle.

Probabilité dans l'apprentissage automatique : des modèles déterministes aux modèles probabilistes

L'apprentissage automatique traditionnel produit souvent des prédictions déterministes. Cependant, pour les applications critiques, la connaissance de la confiance d'un modèle est tout aussi importante. L'apprentissage automatique probabiliste modélise explicitement l'incertitude, en séparant l'incertitude aléatoire (d'après les données) de l'incertitude épistémique (d'après le modèle).

Réseaux neuraux bayésiens et probabilistes

Pendant la formation, nous apprenons une distribution postérieure sur les poids étant donné les données. À l'inférence, les prédictions sont moyennes sur cette distribution, donnant une distribution prédictive qui quantifie naturellement l'incertitude. L'inférence variationnelle est l'approche la plus courante pour approximer l'intractable postérieur. Décrochage de Monte Carlo—l'interprétation de l'abandon comme une inférence bayésienne approximative — fournit des estimations d'incertitude simples et évolutives sans modifier l'architecture du réseau. Journal of Machine Learning Research- Oui.

Probabilistic Programmation et modèles génériques

Les langages probabilistes de programmation (p. ex. Pyro, Stan, Edward) permettent aux chercheurs de définir des modèles probabilistes complexes, y compris des réseaux neuronaux avec des variables latentes structurées, et d'effectuer une inférence automatisée. Ces outils sont utilisés pour l'inférence causale, l'imputation des données manquantes et la vérification des modèles. Les auto-encodeurs de variation (VAE) et les flux de normalisation sont des modèles générateurs clés qui apprennent la distribution des données sous-jacentes. Ils produisent non seulement un échantillon mais une densité de probabilité, permettant des tâches comme la détection d'anomalies (en évaluant la probabilité) et l'apprentissage semi-supervisé.

Applications du monde réel de l'IA et de la robotique probabilistes

Dans la fabrication, les bras robotiques utilisent des planificateurs de saisie probabilistes qui considèrent la friction, l'incertitude de forme et l'objet posent une ambiguïté pour obtenir des taux de succès élevés même avec des tolérances lâches. Les robots médicaux, comme le système chirurgical da Vinci, utilisent le suivi et le contrôle probabilistes pour compenser la déformation tissulaire et le slop instrumental. Même les produits de consommation comme les aspirateurs Roomba comptent sur la localisation Monte Carlo pour cartographier efficacement les maisons sans balises. Dans le jeu vidéo AI, Monte Carlo Tree Search conduit la prise de décision des adversaires dans les jeux de stratégie en temps réel. Ces exemples illustrent que la probabilité n'est pas une gentillesse académique mais une nécessité pratique pour la fiabilité et la sécurité.

Défis et frontières ouvertes

En dépit de ses succès, l'intégration de la probabilité dans l'IA et la robotique est confrontée à des obstacles importants. Premièrement, le coût de calcul de la représentation et de la mise à jour des distributions de probabilités à haute dimension reste élevé. Les approximations (par exemple, filtres à particules, inférence variationnelle) peuvent dégrader les performances si elles ne sont pas soigneusement ajustées. Deuxièmement, les modèles probabilistes profonds nécessitent de gros ensembles de données et un étalonnage minutieux; les modèles mal calibrés peuvent être dangereusement surconfidents.

Les recherches futures portent sur ces questions : inférence évolutive à l'aide de flux de normalisation et d'échantillonneurs neuronaux; mesures d'incertitude robustes qui sont fiables même en période de changement de distribution; systèmes intégrés qui combinent raisonnement probabiliste symbolique et apprentissage profond. À mesure que les robots deviennent plus autonomes et commencent à fonctionner aux côtés des humains, la capacité de quantifier et de raisonner l'incertitude ne fera que devenir plus critique.

Conclusion

La probabilité fournit un langage cohérent pour construire des systèmes d'intelligence artificielle et robotique qui fonctionnent sous l'incertitude omniprésente du monde réel. Des filtres bayésiens qui maintiennent un robot localisé aux réseaux neuronaux probabilistes qui nous disent quand une prédiction de modèle est peu fiable, la pensée probabiliste est tissée dans le tissu des systèmes autonomes modernes. Alors que nous poussons vers des machines plus capables et autonomes, le rôle de la probabilité va s'étendre, permettant des systèmes qui peuvent explorer en toute sécurité des environnements inconnus, collaborer avec les humains et apprendre continuellement.