曾幾何時，在許多人看來，人工智能似乎是終極科幻小說。然而，自 20 世紀 50 年代起，人工智能就開始慢慢受到重視，主要表現為在大型系統中悄然生存的小型專業程序。值得注意的是，在過去的 10 年中，這種緩慢的進步已經變成了閃電般的快速發展。如今，人工智能的應用幾乎遍及我們生活的方方面面，甚至在藝術領域也是如此！

人類的許多互動和交流都已數字化。因此，我們正在接受前所未有的調查。每一次數字互動都會留下痕跡，這些痕跡可以用來為學習算法提供素材。谷歌和 Meta 等公司通過交換服務來換取個人數據。雖然這些公司并不直接出售用戶數據，但它們允許其他公司通過廣告服務與用戶數據互動。政府機構和銀行等其他組織也可以獲取個人數字信息。敏感數據被大規模記錄并用于訓練人工智能算法。在我們生活的世界里，我們的數字行為會對現實世界產生影響。作為人類，我們產生的數據被輸入到算法中，以產生可操作的結果。

1.1 我們需要深度學習的解釋

現代人工智能可應用于現實世界的問題，并產生可操作的結果。本論文重點討論的人工智能類型稱為深度學習（DL），其靈感來源于人類大腦處理信息的方式。深度學習模型從數據集中的模式中學習。深度學習的一般經驗法則是：數據越多越好： 數據越多越好。但并非所有數據都是好數據，因為數據的質量也很重要。我們將在幾章中討論這個話題，并討論偏差如何通過數據集和標簽傳播（第3章），以及數據泄露如何使實驗結果出現偏差（第6章）。深度學習正被應用于各種高風險領域，如軍事[Lundén and Koivunen, 2016]、執法[Goswami et al., 2014]和金融[Chong et al., 2017]等等。在這些領域，深度學習算法必須是可信的 。作為 DNN 從業者和領域專家，我們需要了解算法預測背后的推理。如果每一個深度學習預測都附有關于該預測如何得出的解釋，我們就能更好地判斷深度學習系統的可信度。其原理大致是這樣的： 如果深度學習系統能夠解釋其預測，我們就可以仔細研究該預測，并決定是否要將其納入考慮范圍。如果我們一再決定考慮系統的預測，我們就會越來越信任系統，就像一個人越來越信任另一個人一樣。換句話說，隨著時間的推移，我們會調整對深度學習系統的信任。使深度學習的解釋變得尤為緊迫的是，深度學習帶來了前所未有的能力，而且人們預期深度學習將變得更加強大和廣泛。

試想一下，如果一個關鍵系統（如金融應用程序）決定某些（弱勢）用戶需要支付高得多的費率，但卻不提供任何解釋。無論如何，用戶有權知道他們為什么需要支付更高的費用。當弱勢群體面臨風險時，了解其中的原因就變得更加重要，因為一個錯誤的系統決策可能會決定一個人能否養家糊口。金融機構也有責任向用戶提供解釋。其次，還有一個重大的責任問題。如果出現錯誤，誰該負責，他們又該如何彌補損失？自動預測的結果來自各種因素，包括不正確的因素，如數據中存在偏差的相關性。如果不了解系統的推理過程，就很難糾正可能的錯誤或為特定決策提供正當理由。一旦我們考慮到這些因素，在關鍵應用中對可解釋深度學習的需求就會變得顯而易見。

圖 1.1： 日常行為和互動如何通過信息處理管道傳播，并最終在現實世界中以有形結果的形式反饋給我們的簡化視圖。該圖將模擬管道與數字管道進行了比較。主要區別在于，我們正越來越多地將決策能力交給人工智能算法。圍繞著兩個數字階段的粉色矩形輪廓表明了本論文在這一管道中的位置和重點。

人們通常認為，深度學習在其他領域（如智能手機、廣告、內容推薦）的應用不太值得解釋。一般來說，有兩種觀點支持這種看法。第一種觀點認為，上述應用風險較低，正因為風險較低，所以其決策不值得仔細研究。起初，關鍵算法決策似乎無法與社交媒體算法決策等相提并論。然而，在深度學習決定了數字工具的實用性、我們購買哪些產品、我們消費哪些信息的世界里，深度學習會極大地影響一個人的自我形象以及他與世界的互動方式。因此，如果我們想對自己的生活有任何有意義的控制，了解算法決策背后的原因是至關重要的。所有深度學習的決定都必須經過嚴格審查。

第二個論點將深度學習技術與飛機等其他常用技術進行了比較。它的推論是，由于我們無法百分之百地解釋某些常用技術的確切工作原理，而我們卻能應付自如，因此我們也可以不解釋深度學習。從空氣動力學的角度來看，我們大致知道飛機是如何保持飛行的。然而，在這種相互作用中，有一個關鍵現象我們仍然無法解釋。這種說法是杞人憂天： 無法百分之百地解釋飛機是如何保持上升狀態的，并不意味著我們應該不解釋深度學習。相反，我們應該盡力解釋深度學習模型是如何工作的。

假設讀者您相信深度學習需要解釋，那么可能會問，為什么整個領域都在關注這個話題？為什么我們不能簡單地解釋深度學習呢？與支持向量機、線性回歸或決策樹等其他機器學習（ML）方法不同，DNN 實踐者無法通過查看深度學習模型的內部參數，輕松推斷出 DL 模型決策背后的數學推理。深度學習模型擁有數百萬（如今已達數十億）個參數的情況并不少見。為了解決這個問題，DNN 從業人員正在設計能捕捉模型預測背后推理的方法。該領域要解決的另一個問題是確定向用戶提供解釋的形式。即使 DNN 從業人員能夠理解，也不能保證領域專家能夠以相同的詳細程度解釋解釋。該領域正在努力達成一致的第三個更具哲學意義的問題是，在更廣泛的 ML 范疇內，解釋究竟是什么。這一點非常重要，因為解釋的定義會影響 DNN 實踐者設計的方法。本論文考慮了用于解釋深度學習的方法。

1.2 經解釋校準的信任

本論文主要從校準信任的角度來考慮解釋的必要性。在[van den Brule 等人，2014]一文中，為人機交互構建了校準信任的概念： 機器人外觀所傳達的可信度應與機器人任務表現所產生的信任度保持一致。當兩者不一致時，機器人就會被人類低估或過度信任。這一概念可以推廣到任何人工推理系統中。將這一概念應用到 XAI 中，我們可以指出 人工智能預測的可信度應與人工智能的任務表現和相應解釋所產生的信任度相一致。如果兩者不一致，用戶對人工智能的信任度就會過低或過高。要判斷某個人工智能是否值得信任，我們首先需要獲得必要的信息。也就是說，模型應該是透明的、可訪問的。如果用戶多次收到人工智能的行為符合他們期望的跡象，用戶就可以校準他們對人工智能的信任度[Jacovi 等人，2021 年；Glikson 和 Woolley，2020 年]。用戶應了解人工智能及其決策方式，以校準他們對模型的信任度。對模型決策進行解釋的方法應該是忠實的、通用的，并且具有很強的解釋能力，見第 2 章。如果解釋方法符合這些標準，那么知情者就能充分校準他們對人工智能的信任度。

1.3 不同的解釋方法

細心的讀者很快就會發現，可解釋人工智能（XAI）似乎有不同的方法。就其最一般的形式而言，解釋是任何有助于我們理解模型預測的信息。這些信息可以是輸入的一部分、模型本身的一部分、輸出的一部分、三者的結合以及對模型目的或背景的考慮。根據我們選擇研究的信息類型，我們可以對模型提出不同的問題，得出不同類型的結論，從而從不同的角度研究解釋。本論文并不局限于某一特定類型的解釋，而是首先為讀者提供了一個關于該主題的廣闊視角（第 2 章和第 3 章），然后舉例說明了實驗模型層面的解釋（第 5 章和第 6 章）。迄今為止，XAI有兩種流行的方法：

1.實例層面的解釋： 這種方法也被稱為局部解釋，是這兩種方法中研究最多的一種，它提出的問題是 "既然有這樣的輸入，為什么模型會預測出這樣的輸出？回答了這個問題，我們就找到了輸入中可能影響模型決策的區域。然而，這類解釋只對特定輸入有效。此外，其質量和解釋力（見第 2 章）取決于所使用的 XAI 方法。例如，使用與模型無關的 XAI 方法可為我們指出輸入中的相關區域，但它不會告訴我們預測背后的推理涉及模型邏輯的哪些方面。這類 XAI 方法實質上是將模型視為一個黑盒子。但如果我們使用基于梯度的 XAI 方法，我們就能看到數據在被模型處理時所經歷的一系列轉換。

2.模型層面的解釋： 這種方法也被稱為全局解釋，它提出的問題是："鑒于此數據集，模型是否顯示出任何明顯的（如有偏差的）行為，如果是，這是為什么？這種方法比前一種方法更費力，但可以說更強大，因為它可以泛化到未見過的輸入。采用這種方法的 XAI 方法可讓我們推斷出模型在新輸入時的行為，并讓我們檢測出模型中的偏差。基于樹的 XAI 方法就是提供模型層面解釋的一個例子。

1.5 論文提綱

如果我們要不斷接受調查，如果我們的數據將被復雜的算法用來塑造我們周圍的世界，我們就需要了解數據的哪些方面會導致哪些決策。本論文的主要貢獻是對可解釋的深度學習的現狀進行深度分析，從一個很高的層次出發，確定該領域的主要利益相關者，創建 XAI 方向分類法，并確定相關主題和挑戰。在最后三章中，我們將研究可解釋的 DL 的具體應用案例。

在本論文中，每一章都從不同角度探討了可解釋深度學習這一主題： 第 2 章從用戶角度探討了可解釋性這一主題，并研究了各種利益相關者在這一環境中的作用。第3章介紹了一份全面的現場指南，向該領域的新手介紹了可解釋深度學習這個密集的話題，但這些新手之前已有深度學習方面的經驗。本領域指南概述了可解釋深度學習的所有相關方面，從方法到倫理考慮，并將可解釋性作為校準深度學習預測信任度的框架。第4章介紹了一種新穎、更透明的三維卷積神經網絡變體，后來被稱為3TConv，并介紹了一項研究，該研究表明3TConvs的性能可以與普通的三維卷積相媲美。本章為第五章將要介紹的工作做了鋪墊。第 5 章以第 4 章為基礎，展示了如何利用 3TConvs 深入了解網絡的內部運作。第 6 章介紹了一項研究，我們在其中分析并試圖解釋圖像背景對深度殘差網絡預測明顯個性的影響有多大。

我們想在整篇論文中強調的信息是，深度學習中的解釋是復雜的，需要考慮很多方面。我們不能盲目相信深度學習的預測，相反，對深度學習系統的信任需要校準。除非我們愿意滿足于與模型無關的、對模型內部工作原理知之甚少的解釋，否則目前還沒有實現一刀切解釋的捷徑方法。當前的 XAI 方法本身需要仔細檢查，但遺憾的是，目前還沒有被廣泛接受的衡量標準來確定其保真度和可用性。因此，XAI 仍將是深度學習的核心課題，因為比沒有解釋更糟糕的是錯誤的解釋。

人工智能是下一個競爭領域；第一個開發出人類水平人工智能的國家將產生類似于原子彈開發的影響。為了維護美國及其人民的安全，美國國防部資助了人工智能及其應用的發展研究。本研究使用強化學習和深度強化學習方法作為當前和未來AI智能體，并評估開發中的潛在問題。在兩個游戲和一次遠足中對智能體的表現進行了比較： 分別是貨物裝載、河內塔和背包問題。據觀察，深度強化學習智能體能處理更廣泛的問題，但表現不如專門的強化學習算法。

技術的進步為自主系統提供了希望，使其形成比其單個成員更有能力的人機編隊。了解自主系統的內部運作，特別是當機器學習（ML）方法被廣泛地應用于這些系統的設計時，對與它們一起工作的人來說已經變得越來越具有挑戰性。定量ML方法的 "黑箱"性質，對人們理解機器學習系統的態勢感知（SA）構成了阻礙，往往導致采用機器學習算法的自主系統被廢棄或過度依賴。人機互動的研究表明，透明通信可以提高隊友的安全意識，促進信任關系，并提高人機團隊的績效。本文中將研究智能體透明度模型對人類與使用自動解釋基于ML的智能體互動的影響。我們將討論一種特殊的ML方法--強化學習（RL）在基于部分可觀察馬爾可夫決策過程（POMDP）智能體中的應用，以及POMDP中RL的解釋算法設計。

機器學習被廣泛應用于各種不同的學科，以開發感興趣的變量的預測模型。然而，構建這樣的解決方案是一個耗時且具有挑戰性的學科，需要經過高度訓練的數據科學家和領域專家。作為回應，自動化機器學習(AutoML)領域旨在通過自動化減少人工工作量并加快開發周期。由于超參數在機器學習算法中無處不在，以及調優的超參數配置可以對預測性能產生影響，超參數優化是AutoML的一個核心問題。最近，深度學習的興起推動了神經架構搜索(NAS)，這是一個專注于自動化神經網絡設計的超參數優化問題的專門實例。對于大規模調優問題，網格搜索和隨機搜索等簡單的超參數優化方法在計算上是難以處理的。因此，本文的重點是開發高效和有原則的超參數優化和NAS方法。

**在回答以下問題方面取得了進展，目的是開發更高效和有效的自動化機器學習算法。**1. 超參數優化(a)我們如何有效地使用早期停止來加速超參數優化?(b)如何利用并行計算來執行超參數優化，同時在順序設置中訓練單個模型所需的時間?(c)對于多階段機器學習管道，我們如何利用搜索空間的結構來減少總計算成本?

2. 神經架構搜索(a)最先進的權重共享NAS方法和隨機搜索基線之間的性能差距是什么?(b)如何開發更有原則的權重共享方法，并證明收斂速度更快和改進的經驗性能?(c) NAS中常用的權重共享范式是否可應用于更一般的超參數優化問題?

鑒于這些問題，本文分為兩個部分。第一部分側重于通過解決1a, 1b和1c問題在高效超參數優化方面取得的進展。第二部分側重于通過解決問題2a, 2b和2c，在理解和改進神經架構搜索的權重共享方面取得的進展。

這篇論文提出了在自動化制造背景下的多智能體機器人裝配規劃的算法。我們的工作涉及到 "工廠自主權堆棧 "的許多部分。本論文的第一個貢獻是引入了一個離散工廠問題的表述，其中包括時間延長的多機器人任務分配、任務間的優先權約束和避免碰撞的約束。我們提出了一種解決此類問題的有效方法。我們算法效率的兩個關鍵是它將任務分配和路線規劃解耦，以及它能夠利用一些機器人在自己的時間表中被推遲而不對工廠的整體性能造成任何負面影響的情況。

本論文的下一個主要貢獻是針對我們的離散工廠問題的在線版本的重新規劃算法系列。在在線設置中，工廠指揮中心定期收到新的制造工作量，這些工作量必須被迅速納入整體計劃中。我們通過大量的實驗表明，我們的重新規劃方法適用于廣泛的問題。此外，我們提出的方法在應用時可以使工廠在等待收到更新的計劃時永遠不必凍結。

我們最后的貢獻是一個概念驗證系統，用于大規模的多機器人裝配計劃，包括任意形狀和尺寸的裝配體和原材料。我們的系統從原材料和一套關于這些材料如何組合的基本指令開始。然后，規劃器合成一個施工計劃，其中定義了每個有效載荷將如何攜帶（由一個或多個機器人攜帶），每個組件和子組件將在哪里建造，以及哪些特定的機器人將被分配到每個單獨和協作的運輸任務。最后，一個反應式防撞控制策略使機器人能夠以分布式方式執行建造計劃。我們在模擬中證明，我們的系統可以在幾分鐘內合成具有數百個部件的裝配體的施工計劃。雖然我們沒有解決圍繞多機器人制造的所有相關的 "現實世界 "的考慮，但我們的工作是向使用移動機器人的大規模自動化施工邁出的一小步。

機器人系統正在進入舞臺。在硬件組件和軟件技術進步的推動下，機器人越來越能夠在工廠外運作，協助人類，并與人類一起工作。機器人擴張的限制因素仍然是機器人系統的編程。由于建立一個多機器人系統需要許多不同的技能，只有最大的組織能夠在機器人提供的服務空間中進行創新。

只有最大的組織能夠在機器人提供的服務空間中進行創新。為了使開發新的機器人服務更容易，我在這篇論文中提出了一個規劃模型，在這個模型中，用戶（程序員）給出了需要完成的聲明性規范，然后一個后臺系統確保該規范被安全、可靠地執行。我介紹了Antlab，一個這樣的后端系統。Antlab接受來自多個用戶的線性時態邏輯（LTL）規范，并使用一組不同能力的機器人來執行它們。

在實施Antlab的經驗基礎上，我確定了由所提出的規劃模型產生的問題。這些問題分為兩大類：規范和規劃。

在規范問題的類別中，我解決了從正反兩方面的例子中推斷LTL公式的問題，以及僅從一組正面例子中推斷LTL公式的問題。在這些解決方案的基礎上，我開發了一種方法來幫助用戶將他們的意圖轉移到正式的規范中。本論文所采取的方法是將來自單個演示的意圖信號和用戶給出的自然語言描述結合起來。通過將問題編碼為命題邏輯的可滿足性問題，推斷出一組候選規范。通過與用戶的互動，這組規格被縮小到一個單一的規格；用戶批準或拒絕對機器人在不同情況下的行為進行的模擬。

在規劃問題類別中，我首先解決了目前正在執行任務的機器人的規劃問題。在這種情況下，不清楚應該把什么作為規劃的初始狀態。我通過考慮多個推測的初始狀態來解決這個問題。從這些狀態出發的路徑是根據一個質量函數來探索的，該函數反復估計規劃時間。第二個問題是獎勵函數為非馬爾科夫時的強化學習問題。建議的解決方案包括反復學習代表獎勵函數的自動機，并使用它來指導探索。

為了面對軍事防御的挑戰，軍隊及其戰術工具的現代化是一個持續的過程。在不久的將來，各種任務將由軍事機器人執行，以實現100%的影響和0%的生命風險。國防機器人工程師和公司有興趣將各種戰略自動化，以獲得更高的效率和更大的影響，因為陸地防御機器人的需求正在穩步增長。在這項研究中，軍事防御系統中使用的陸地機器人是重點，并介紹了各種類型的陸地機器人，重點是技術規格、控制策略、戰斗參與和使用目的。本研究還介紹了陸地機器人技術在世界軍事力量中的最新整合，其必要性，以及各國際防務公司對世界經濟的貢獻，表明其在軍事自動化和經濟穩定中的優勢。本報告還討論了近期發展的局限性和挑戰、機器人倫理和道德影響，以及與機器人安全有關的一些重要觀點和克服近期挑戰的一些建議，以促進未來的發展。

引言

為了加強軍事防御系統，必須大力發展和提高智能自主戰略能力。在大多數第一世界國家，研究國防技術改進是實現軍事防御現代化的優先事項。未來戰爭的特點可以根據不同領域的沖突進行分析，如：海洋、陸地、空中、網絡、太空、電磁和信息。隨著現代智能和機器人技術的改進，跨域（X域）和多域戰略也需要被關注。無人自主X域（多域）系統，簡稱UAxS，現在是研究和發展的重點，以使軍事力量更加強大、有力和智能。圖1展示了多域和X域的戰爭模式。

圖 1：多域和 X 域戰爭模型

現代防御機制可以在四個相互關聯的領域進行研究：先進的戰艦、良好的通信、人工智能和自主武器。這基本上意味著在軍事防御系統中實施機器人技術。在戰場上，一支裝備精良的機械化部隊是指揮官非常重要的資產。在戰爭中，指揮官必須專注于火力、機動性、人機合作、決策、支持裝甲和指揮步兵。在未來，機器人和自動化系統將通過提供支持和減少負擔來幫助解決這些問題，因為這些系統將更加智能、可靠和合作。在最近的軍事活動中，機器人和自主技術被用于偵察、設備供應、監視、掃雷、災難恢復、受傷士兵的檢索等（Dufourda, & Dalgalarrondo, 2006；Akhtaruzzaman, et al., 2020）。

為了確保可靠的使用和獲得最高的技術影響，機器人必須在半自動化、自動化和人機交互工程方面進行良好的設計。無人地面車輛（UGV）很有前途，在國防應用中具有很大的潛力，在這些應用中高度需要更快和可靠的通信鏈接（鏈接預算）和快速獲取信息（RAtI）（Akhtaruzzaman, et al., 2020）。機器人的價值比人的生命還要低。機器人在感知、檢測、測量和分析方面速度更快。機器人沒有任何激情或情感，不會像人類那樣感到疲勞或疲倦，而是在極端和關鍵條件下保持運作。在不久的將來，機器人將成為作戰計劃和參與的核心技術（Abiodun, & Taofeek, 2020）。它們將能夠通過智能傳感器技術與環境溝通，通過建模理解環境，理解人類的行動，定義威脅，服從命令，以更高的處理能力獲取信息，通過信息交換和共享與其他機器人互動，通過先進的控制技術自主適應敵對環境，并通過強大的計算能力與自動生成的程序應用智能進行自我學習（Akhtaruzzaman, & Shafie, 2010a, 2010b; Karabegovi?, & Karabegovi?, 2019）。

在不久的將來，UGV系統將成為軍事行動的關鍵技術，因為它們將確保幾乎零人力風險，不需要將人力直接安置到戰斗中。UGV系統還將能夠開放各種設施，如負載、自動監視、邊境巡邏、風險降低、障礙物清除、力量倍增器、遠程操縱、信號中繼等（Sathiyanarayanan等人，2014）。陸地防衛機器人必須能夠適應各種崎嶇的地形、惡劣的環境和非結構化的區域，同時發揮指定的作用并保持指揮層次。作為軍事部隊的一種程度，陸地機器人不能給團隊帶來任何額外的工作負擔。因此，必須實施有效的人工智能（AI）工程，以實現UGV或陸地機器人與行動部隊之間可靠的人機合作。

今天的智能機器人或自主武器仍然處于狹義人工智能（ANI）的水平（Horowitz，2019年），或者以某種方式處于ANI和通用人工智能（AGI）之間。這反映出它們還沒有準備好在災難或戰爭等敵對情況下完全自主并做出可靠的決定。人類擁有在很大程度上應用感知經驗的智慧，能夠適應環境，并能在關鍵情況下做出適當的決定。如果這些能力能夠被植入機器人的大腦，該系統就可以說是AGI系統。盡管與人類相比，機器人可以抵御枯燥、骯臟和危險的工作，但它們包括一些有限的功能，如航點或目標導向的導航、障礙物檢測、障礙物規避、威脅檢測、人類檢測和識別、定位、地圖構建、通過圖像和聲音處理提取信息，以及與其他機器人的某種合作。因此，如果能確保機器人和人類之間的良好合作，機器人將在人類的監督下自主工作，那么軍用地面機器人將是最有效的。

本研究對軍用陸地機器人系統、最近的技術進步、應用和道德影響進行了回顧。一些發達國家和不發達國家的現狀，以及通過推進和發展軍事武器、自動化武器和智能技術對世界經濟的工業影響，都反映在審查研究中。本文還闡述了參與戰爭的機器人倫理以及該技術對道德國家的影響。該研究主要試圖通過確定最近的差距、局限性和技術進步的倫理影響，來確定地面機器人技術的最新應用和實施情況。

自主機器人系統的團隊有可能對我們的社會產生巨大的積極影響。特別是在水下領域，協作的多智能體自主系統有可能導致效率、安全和數據質量的顯著提高。然而，雖然自主系統在結構化環境中已被廣泛接受，如制造廠和配送設施，但它們在非結構化環境中還沒有被廣泛采用。其主要原因是，自主系統在非結構化環境中的可靠性尚未達到廣泛采用此類平臺的成本和時間效益。自主系統可靠性的一個關鍵因素是導航和定位算法對常見故障情況的魯棒性，如離群測量、糟糕的初始化和不準確的不確定性特征。因此，本論文提出了同步定位和測繪（SLAM）、多Agent地圖合并、軌跡對齊和不確定性表征的方法，試圖解決其中一些故障情況。

首先，我們提出了一種穩健的地圖合并算法，該算法采用兩個姿勢圖和它們之間的一組潛在的環形閉合，并選擇一組可用于持續對齊和合并兩個地圖的這些潛在的環形閉合。我們提出的算法不需要對準的初始估計，可以處理90%以上的離群率。我們利用現有的最大剪裁算法來提高效率，并表明我們的算法優于現有的最先進的方法。

第二，我們提出了一種算法，用于將查詢軌跡定位到參考軌跡上，該算法完全基于描述機器人智能體在其訪問的每個位置周圍環境的低維數據。我們的方法利用凸松弛技術來避免初始化和數據關聯的需要，使得它在高維數據不可用的情況下很有用。我們將我們提出的方法與其他現有的凸優化技術進行了比較，并表明它比其他現有的方法更好地執行了剛體轉換。

第三，我們將平面姿態圖SLAM和地標SLAM問題表述為多項式優化問題，并證明這兩個問題的全局最優解總是可以通過解決半有限程序（SDP）找到。由于SDP是凸的，這使得我們能夠保證在沒有任何初始軌跡估計的情況下找到真正的最大似然估計（MLE）。

第四，我們提出了一個框架，使用特殊歐氏群的李代數對聯合相關姿勢的不確定性進行建模。然后，我們推導出使用該框架時姿勢組成、姿勢反演和相對姿勢操作的一階不確定性傳播公式。我們使用模擬數據和從現有的SLAM數據集中提取的數據進行評估，結果表明我們的方法比常用的方法導致了更一致的不確定性估計。最后，我們發布了擬議方法的C++庫實現。

綜上所述，本論文提出了四種用于多Agent地圖合并、軌跡對齊、全局最優SLAM和姿態不確定性表征的方法，旨在解決現有定位和繪圖方法的一些常見故障情況。此外，我們還證明了我們提出的所有方法在與該領域的其他方法相比較時的性能。

在新環境中有效的自主導航對于智能體達到更復雜的自主水平至關重要。我們對改善攜帶輕型光電傳感器有效載荷的車輛在未知環境中的自主導航和估計感興趣。由于傳感的限制，在非瑣碎的新環境中，世界的許多幾何結構還沒有被觀察到，導致了嚴重的幾何模糊性。盡管收集額外的幾何信息可以減少模糊性，但這樣做往往與任務的目標相抵觸。我們建議將對象層面的語義信息和幾何信息結合起來，以切實改善導航和估計。

在這篇論文中，我們提出了在新環境中改善自主導航的三個貢獻。首先，我們通過將有用的導航行為編碼在由部分占有率和對象級地圖告知的抽樣分布中，來提高新環境中的導航效率。我們認識到，在有效導航時，在有限的視角下，對象層面的估計是具有挑戰性的，因此我們還開發了兩種在線建立對象層面表征的方法。在我們的第二個貢獻中，我們通過引入額外的紋理測量和語義類形狀先驗，提高了帶有橢圓體表征的對象級SLAM的視點效率。最后，在我們的第三個貢獻中，我們提出了一種新的深度學習的三維對象估計方法，利用間接的圖像空間注釋和類內形狀一致性來實現從單一的RGB圖像的三維對象估計。

移動機器人的自主控制和導航受到了很多關注，因為機器人有能力在復雜的環境中以高精度和高效率完成復雜的任務。與移動機器人有關的經典控制問題涉及到目標導航、目標跟蹤和路徑跟蹤，他們都有一個預先定義行為的目標。因此，控制設計沒有考慮到目標的未來行為。在監視、攔截、追擊-規避問題中，必須考慮到目標的未來行為。這些玩家（控制系統）與對手交戰的問題最好用博弈論來解決，博弈論提供了獲勝的最佳策略。然而，博弈論算法需要大量關于對手的信息來考慮對手的最優策略，從玩家的角度來看，這是最糟糕的情況。這種信息要求往往限制了博弈論在移動機器人上的應用。另外，在文獻中發現的大多數作品提出的離線解決方案只適用于整體系統。這篇博士論文提出了三種不同的解決方案，以每個玩家可獲得的對手信息為基礎，解決非合作性博弈問題。所提出的解決方案在本質上是在線的，并能納入避開障礙物的能力。此外，所設計的控制器首先在模擬中應用于非holonomic移動機器人，然后在類似環境中進行實驗驗證。在工作的第一部分，復雜環境中的點穩定問題是用非線性模型預測控制（NMPC）處理的，其中包括圍繞目標位置的靜態和動態避障。其次，該問題被轉換為涉及具有沖突的移動目標，以形成追逐-逃避博弈。該問題采用非線性模型預測控制來解決，其中比較了兩種穩定方法。NMPC方法的工作原理是，每個玩家只知道對手的當前狀態。然后提出了博弈論的算法來解決同樣的問題。第一種方法需要對手的所有信息，而另一種方法只需要對手的當前位置。這些方法在捕獲時間、計算時間、納入障礙物規避的能力以及對噪聲和干擾的魯棒性方面進行了比較。利用博弈論模型預測控制，提出并解決了一個位于點穩定和追逃問題的交叉點的新問題。這個問題被稱為目標防御的差分博弈（DGTD），它涉及到在到達靜態目標之前攔截一個移動物體。最后，所有提出的控制器都使用兩個移動機器人和實驗室的運動捕捉平臺進行了實驗驗證。

Keywords: 非線性模型預測控制，博弈論，自主系統，非完整移動機器人，避障，實時實驗驗證。