●译者序
前言
作者简介
章 什么是行为树
1.1 BT的发展简史与动机
1.2 有限状态机的问题是什么？反应性和模块化的必要性
1.3 BT的经典阐述
1.3.1 BT执行示例
1.3.2 带有内存的控制流节点
1.4 从零开始为《吃豆人》创建BT
1.5 为移动机械手机器人创建BT
1.6 BT在机器人和人工智能中的应用
1.6.1 自动驾驶车辆中的BT
1.6.2 工业机器人中的BT
1.6.3 拾物挑战赛中的BT
1.6.4 社交机器人JIBO中的BT
第2章 BT如何概括和关联早期思想
2.1 有限状态机
2.2 分层有限状态机
2.2.1 优点和缺点
2.2.2 创建一个类似BT的FSM
2.2.3 创建一个类似FSM的BT
2.3 包容体系结构
2.3.1 优点和缺点
2.3.2 BT如何概括包容体系结构
2.4 远程反应程序
2.4.1 优点和缺点
2.4.2 BT如何概括远程反应程序
2.5 决策树
2.5.1 优点和缺点
2.5.2 BT如何概括决策树
2.6 BT的优点和缺点
2.6.1 优点
2.6.2 缺点
第3章 设计原则
3.1 使用显式成功条件提高可读性
3.2 使用隐式序列提高反应性
3.3 使用决策树结构处理不同的案例
3.4 使用序列提高安全性
3.5 使用反向链接创建审慎型BT
3.6 使用内存节点创建无反应的BT
3.7 选择适当的BT粒度
第4章 BT的扩展
4.1 效用BT
4.2 随机BT
4.3 临时修改BT
4.4 BT的其他扩展
第5章 效率、安全性和鲁棒性分析
5.1 BT的状态空间表示
5.2 效率与鲁棒性
5.3 安全性
5.4 实例
5.4.1 鲁棒性和效率
5.4.2 安全
5.4.3 更复杂的BT
第6章 BT如何概括早期的思想
6.1 BT如何概括决策树
6.2 BT如何归纳包容体系结构
6.3 BT如何概括顺序行为组合
6.4 BT如何概括远程反应程序
第7章 BT和自动规划
7.1 规划和动作（PA-BT）方法
7.1.1 算法概述
7.1.2 算法详细说明
7.1.3 对算法的评论
7.1.4 算法的图形执行
7.1.5 对现有示例执行算法
7.1.6 反应性
7.1.7 安全性
7.1.8 容错性
7.1.9 实际的复杂执行
7.2 使用行为语言进行规划
7.2.1 ABL智能体
7.2.2 ABL规划方法
7.2.3 《星际争霸》复杂执行过程的简要结果
7.3 比较PA-BT与ABL
第8章 BT和机器学习
8.1 应用于BT的遗传规划
8.2 GP-BT方法
8.2.1 算法概述
8.2.2 详细的算法步骤
8.2.3 修剪无效子树
8.2.4 实验结果
8.2.5 在BT中使用GP的其他方法
8.3 将强化学习应用于BT
8.3.1 Q-Learning总结
8.3.2 RL-BT方法
8.3.3 实验结果
8.4 比较GP-BT与RL-BT
8.5 从演示中学习并应用于BT
第9章 随机行为树
9.1 随机BT
9.1.1 马尔可夫链和马尔可夫过程
9.1.2 阐述
9.2 将SBT转换为DTMC
9.3 SBT的可靠性
9.3.1 平均逗留时间
9.3.2 平均失败时间和平均成功时间
9.3.3 随时间推移的概率
9.3.4 随机执行时间
9.3.5 确定执行时间
9.4 实例
0章 结束语
参考文献