机器人、无人驾驶汽车、无人机和智慧工厂将显著改变数字社会中人类的生活方式。本书介绍了无线通信和网络技术如何促进机器人中的人工智能。本书的一个独特性是提出应用通信和信号处理技术来增强机器人与多智能体系统中的传统人工智能。
本书具体包括机器人的基础知识、信息物理系统、人工智能、统计决策和马尔可夫决策过程、强化学习、状态估计、定位、计算机视觉和多模态数据融合、机器人规划、多智能体系统、网络化多智能体系统、网络化机器人的安全性和鲁棒性，以及超可靠和低延迟的机器对机器的网络等内容。书中的实例和练习能帮助读者轻松、高效地理解本书的内容。
希望拓展在机器人、人工智能和无线通信等方面知识的工程师可从本书中受益。同时，本书也适合作为电气工程、计算机工程、计算机科学和一般工程专业的高年级本科生或一年级研究生的教材。

陈光祯博士，自2016年至今一直担任南佛罗里达大学电气工程系教授。陈博士之前曾任职于美国通信卫星公司、IBM沃森研究中心、台湾清华大学、惠普实验室、台湾大学移动通信与网络研究所。他曾在麻省理工学院等多所大学做过访问学者。他一直积极组织、参与各种IEEE会议并担任IEEE期刊的编辑(最近担任《IEEE通信杂志》“通信中的数据科学和AI”专题编辑)；为IEEE协会，尤其是通信、车辆技术和信号处理分会提供志愿服务，并发起成立社交网络技术委员会。陈博士还为各种国际通信标准贡献了多个关键技术。他撰写或合作撰写了超过300篇IEEE论文，出版了4本书，并拥有24项美国专利。他是lEEE会士，获得了多个IEEE奖项。陈博士目前的研究兴趣包括无线网络、人工智能和机器学习、物联网、信息物理系统、社交网络和数据分析，以及网络安全。

译者序
前言
作译者简介
第1章 人工智能和机器人概述
1.1 人工智能、控制论和机器人学的基础知识
1.2 智能体
1.2.1 合理性的概念
1.2.2 系统动力学
1.2.3 任务环境
1.2.4 机器人和多智能体系统
1.3 推理
1.3.1 约束满足问题
1.3.2 通过搜索来求解CSP
参考文献
第2章 基本搜索算法
2.1 问题求解智能体
2.2 搜索求解
2.3 统一搜索
2.3.1 广度优先搜索
2.3.2 动态规划
2.3.3 深度优先搜索
2.4 有信息搜索
2.5 优化
2.5.1 线性规划
2.5.2 非线性规划
2.5.3 凸优化
参考文献
第3章 机器学习基础
3.1 监督学习
3.1.1 回归
3.1.2 贝叶斯分类
3.1.3 KNN
3.1.4 支持向量机
3.2 无监督学习
3.2.1 K均值聚类
3.2.2 EM算法
3.2.3 主成分分析
3.3 深度神经网络
3.4 数据预处理
参考文献
第4章 马尔可夫决策过程
4.1 统计决策
4.1.1 数学基础
4.1.2 贝叶斯决策
4.1.3 雷达信号探测
4.1.4 贝叶斯序贯决策
4.2 马尔可夫决策过程
4.2.1 马尔可夫决策过程的数学基础
4.2.2 最优策略
4.2.3 开发贝尔曼方程的解
4.3 决策及规划：动态规划
4.4 MDP的应用：搜索移动目标
4.5 多臂赌博机问题
4.5.1 ε-贪婪算法
4.5.2 上置信界
4.5.3 汤普森采样
参考文献
第5章 强化学习
5.1 强化学习基础
5.1.1 重访多臂赌博机问题
5.1.2 强化学习基础
5.1.3 基于马尔可夫过程的强化学习
5.1.4 贝尔曼最优性原理
5.2 Q学习
5.2.1 部分可观测状态
5.2.2 Q学习算法
5.2.3 Q学习示例
5.3 无模型的学习
5.3.1 蒙特卡罗方法
5.3.2 时序差分学习
5.3.3 SARSA
5.3.4 Q学习与TD学习的关系
参考文献
第6章 状态估计
6.1 估计基础
6.1.1 基于观测的线性估计量
6.1.2 线性预测
6.1.3 贝叶斯估计
6.1.4 极大似然估计
6.2 递归状态估计
6.3 贝叶斯滤波
6.4 高斯滤波
6.4.1 卡尔曼滤波
6.4.2 标量卡尔曼滤波
6.4.3 扩展卡尔曼滤波
参考文献
第7章 定位
7.1 传感器网络定位
7.1.1 到达时间技术
7.1.2 到达角技术
7.1.3 到达时间差技术
7.2 移动机器人定位
7.3 同时定位与建图
7.3.1 概率SLAM
7.3.2 扩展卡尔曼滤波SLAM
7.3.3 立体摄像机辅助的SLAM
7.4 网络定位和导航
参考文献
第8章 机器人规划
8.1 知识表示和分类逻辑
8.1.1 贝叶斯网络
8.1.2 语义表示
8.2 离散规划
8.3 自主移动机器人的规划和导航
8.3.1 规划和导航示例
8.3.2 强化学习的系统阐述
8.3.3 定长规划
8.3.4 条件穷举规划
参考文献
第9章 多模态数据融合
9.1 计算机视觉
9.1.1 计算机视觉基础
9.1.2 边缘检测
9.1.3 图像特征和目标识别
9.2 基于视觉功能的多模态信息融合
9.3 决策树
9.3.1 决策示例
9.3.2 正式处理
9.3.3 分类树
9.3.4 回归树
9.3.5 规则和树
9.3.6 定位机器人
9.3.7 带决策树的强化学习
9.4 联邦学习
9.4.1 联邦学习基础
9.4.2 通过无线通信进行联邦学习
9.4.3 无线网络上的联邦学习
9.4.4 多接入通信上的联邦学习
参考文献
第10章 多机器人系统
10.1 多机器人任务分配
10.1.1 最优分配
10.1.2 多旅行商问题
10.1.3 工厂自动化
10.2 无线通信和网络
10.2.1 数字通信系统
10.2.2 计算机网络
10.2.3 多址通信
10.3 网络多机器人系统
10.3.1 曼哈顿街道上的联网自动驾驶汽车
10.3.2 网络协同多机器人系统
参考文献
技术缩略语
索引