Uczenie maszynowe odgrywa ważną rolę w percepcji robota. Dzieje się tak zwłaszcza wtedy, gdy nie jest znana najlepsza reprezentacja wewnętrzna. Jednym z powszechnych podejść jest mapowanie wysokowymiarowych strumieni czujników na przestrzenie o niższych wymiarach przy użyciu nienadzorowanych metod uczenia maszynowego (patrz rozdział 19). Takie podejście nazywamy osadzaniem niskowymiarowym. Uczenie maszynowe umożliwia naukę modeli czujników i ruchu na podstawie danych, jednocześnie odkrywając odpowiednią wewnętrzną reprezentację. Inna technika uczenia maszynowego umożliwia robotom ciągłe dostosowywanie się do dużych zmian w pomiarach czujników. Wyobraź sobie, że idziesz z nasłonecznionego miejsca do ciemnego pokoju z neonowymi światłami. Oczywiście w środku jest ciemniej. Ale zmiana źródła światła wpływa również na wszystkie kolory: światło neonowe ma silniejszy składnik światła zielonego niż światło słoneczne. Jednak jakoś wydaje się, że nie zauważamy zmiany. Jeśli wchodzimy razem z ludźmi do pokoju oświetlonego neonami, nie myślimy, że ich twarze nagle zrobiły się zielone. Nasza percepcja szybko dostosowuje się do nowych warunków oświetleniowych, a nasz mózg ignoruje różnice. Adaptacyjne techniki percepcji umożliwiają robotom przystosowanie się do takich zmian. Jeden przykład pokazano na rysunku 26.10, zaczerpniętym z domeny jazdy autonomicznej. Tutaj bezzałogowy pojazd naziemny dostosowuje swój klasyfikator pojęcia „powierzchnia nadająca się do jazdy”. Jak to działa? Robot wykorzystuje laser do klasyfikacji niewielkiego obszaru bezpośrednio przed robotem. Gdy obszar ten okaże się płaski w skanie laserowym, jest on używany jako pozytywny przykład szkoleniowy dla koncepcji „powierzchni, w której można jeździć”. Technika mieszanki Gaussa podobna do algorytmu EM omówionego w rozdziale 21 jest następnie trenowana do rozpoznawania określonych współczynników koloru i tekstury małej próbki próbki. Obrazy na rysunku 26.10 są wynikiem zastosowania tego klasyfikatora do pełnego obrazu. Metody, które sprawiają, że roboty zbierają własne dane treningowe (z etykietami!) nazywane są samonadzorowanymi. W tym przypadku robot wykorzystuje uczenie maszynowe, aby wykorzystać czujnik bliskiego zasięgu, który dobrze sprawdza się przy klasyfikacji terenu, w czujnik, który widzi znacznie dalej. Dzięki temu robot może jechać szybciej, spowalniając tylko wtedy, gdy model czujnika mówi, że nastąpiła zmiana w terenie, którą należy dokładniej zbadać za pomocą czujników bliskiego zasięgu.