Nie cała percepcja robota dotyczy lokalizacji lub mapowania. Roboty postrzegają również temperaturę, zapachy, dźwięk i tak dalej. Wiele z tych wielkości można oszacować za pomocą wariantów dynamicznych sieci Bayesa. Do takich estymatorów potrzebne są jedynie warunkowe rozkłady prawdopodobieństwa, które charakteryzują ewolucję zmiennych stanu w czasie, oraz modele czujników opisujące związek pomiarów ze zmiennymi stanu. Możliwe jest również zaprogramowanie robota jako agenta reaktywnego, bez wyraźnego rozumowania na temat rozkładów prawdopodobieństwa w stanach. Trend w robotyce wyraźnie zmierza w kierunku reprezentacji o dobrze zdefiniowanej semantyce. Techniki probabilistyczne przewyższają inne podejścia w wielu trudnych problemach percepcyjnych, takich jak lokalizacja i mapowanie. Jednak techniki statystyczne są czasami zbyt uciążliwe, a prostsze rozwiązania mogą być równie skuteczne w praktyce. Aby pomóc w podjęciu decyzji, które podejście wybrać, najlepszym nauczycielem jest doświadczenie w pracy z prawdziwymi robotami fizycznymi.