機器人感知是UPNN機器人專項中的最后一門課程，其利用視覺方法來對環境進行感知。與之前提到的機器人視覺不同，機器人感知更側重於對環境物體的識別與檢測。與計算機視覺不同，機器人視覺所識別的物體往往不需要高精度測量，物體也有明顯特征。機器人感知最為典型的應用是對環境的感知 —— SLAM，同步定位與地圖構建。如果說機器人視覺解決了where am I的問題，那么Robotic Perception 面對的是Who is it.
1、1D Gaussian
感知要解決的是對環境識別的問題，沿着PGM的思路往下，識別就是算概率。對於一般的識別任務，比如識別一個自然環境中的網球，可以對網球的顏色進行建模。為了符合人們的感知，可以先將RGB圖像轉為HSI圖像，其中色度Hue，就與亮度解耦，成為一個不變量了。其只和材質與光照條件有關。一個物體如果顏色是統一的，那么其 H 會滿足Gaussian分布。只需要從訓練集中提取這個分布，就可以用於判別場景中是否存在這個物體。
2、mutiple Gaussian
mutiple Gaussian 對應的是多變量高斯模型。多變量高斯模型分為相關和不相關兩種，具體表現在協方差矩陣上。其分布均值是樣本均值，其方差是樣本的協方差矩陣！
3、Expecatation Maxiumazition
EM算法是無監督學習中非常重要的一種算法。其可以分解成兩個步驟——E step, M step
其中，E step 表示的是由 label ---> parameters. label 不一定是01樣本，也可以是各個樣本的概率。如果是概率樣本，則可以使用 weighted Gaussian estimation 來估計parameters：具體算法見PGM week9 Homework in OSChina.
M step 表示的是由parametes ---> label. 也就是對當前的參數來計算樣本各個label的概率。
如此往復最終可獲得穩定的分類結果。需要指出的是EM算法對初始label 非常敏感。如果是當量樣本中有少量缺失標記，EM算法可以很好的滿足需求。如果純聚類，則可考慮使用其他聚類算法先給出聚類結果，再利用EM來進行優化。