目录第10章 感知中的不确定性10.1 不确定性的类型与来源10.1.1 偶然不确定性(Aleatoric)10.1.2 认知不确定性(Epistemic)10.1.3 传感器噪声与模型误差10.1.4 分布外检测10.2 贝叶斯深度学习方法10.2.1 变分推断与贝叶斯神经网络10.2.2 Dropout作为近似贝叶斯推断10.2.3 深度集成方法10.2.4 神经过程与元学习不确定性10.3 不确定性估计的应用10.3.1 安全关键决策的风险评估10.3.2 主动学习与数据获取10.3.3 感知失败预测与恢复10.3.4 多传感器融合的置信度加权第10章 感知中的不确定性10.1 不确定性的类型与来源具身智能系统的感知模块面临的环境本质上是开放且动态的。与封闭实验室环境不同，真实世界场景中的光照条件、遮挡关系、物体材质以及传感器特性均存在显著变化。这种复杂性导致感知输出必然伴随不确定性，准确识别、量化并利用这些不确定性是构建鲁棒具身智能系统的核心前提。不确定性并非单一概念，其来源与性质具有本质差异，理解这些差异对于选择适当的估计方法与应用策略至关重要。