1.3 IMPLICATIONS

1.3 IMPLICATIONS

로봇을 probabilistically 프로그래밍하는 것이, 불확실성(uncertainty)을 명시적으로 나타내지 않는 다른 접근법에 비해 어떤 advantages를 제공할까? 우리의 핵심 conjecture는 다음과 같다

자신의 uncertainty를 인지하고 그에 따라 행동하는 robot은 그렇지 않은 robot보다 우수하다.

구체적으로, probabilistic approaches는 다음과 같은 장점이 있다:

• sensor limitations, sensor noise, environment dynamics 등 다양한 불확실성 요인에 대해 훨씬 더 robust하다.
• complex and unstructured environments에서도 uncertainty를 처리하는 능력이 뛰어나 scale이 더 잘 된다.
• kidnapped robot problem(로컬라이제이션 실패에서 복구해야 하는 문제)나 GPS 같은 global positioning device가 없는 상태에서 대규모 환경의 정확한 maps를 만드는 문제처럼, 현재 알려진 유일한 해결책이 probabilistic algorithms인 어려운 estimation problems이 있다.
• classical planning algorithms에 비해 모델의 accuracy에 대한 요구사항이 훨씬 약해, 프로그래머가 완벽한 모델을 만들어야 한다는 부담을 크게 덜어준다.
• robot learning problem을 장기적인 estimation 문제로 바라볼 수 있게 해주어, 다양한 형태의 로봇 학습에 대한 타당한 방법론(sound methodology)를 제공한다.
• 사실 perception과 action이 필요한 거의 모든 실제 문제에 broadly applicable하다.

하지만 이러한 장점에는 대가가 따른다. 전통적으로 probabilistic algorithms의 두 가지 주요 limitations으로 꼽히는 것은 computational inefficiency와 근사(approximation)의 필요성이다.

• probabilistic algorithms는 전체 probability densities(확률밀도)를 다루기 때문에 non-probabilistic 알고리즘보다 본질적으로 덜 효율적이다.
• 대부분의 로봇 세계가 연속적(continuous)이기 때문에, 정확한 posterior distributions를 계산하는 것은 사실상 불가능하다(연속 분포는 무한 차원을 갖는다).
• 때로는 discrete distributions나 Gaussians 같은 컴팩트한 parametric model로 잘 근사(approximate)할 수 있지만, 그렇지 않은 경우에는 더 복잡한 표현이 필요하다.
• 최근 연구를 통해 다양한 어려운 로보틱스 문제에 대해 computationally efficient probabilistic algorithms가 많이 개발되었으며, 이 책에서 자세히 다룬다.