包容体系结构（Subsumption architecture）是一种反应性机器人体系结构，与基于行为的机器人技术密切相关，在20世纪80年代和90年代非常流行。该术语由Rodney Brooks及其同事于1986年提出。包容性在自动机器人技术和其他实时AI中具有广泛的影响力。

概观
包容体系结构是一种与传统AI或GOFAI相对立的控制体系结构。包容性建筑不是通过世界的象征性心理表征来引导行为，而是以亲密和自下而上的方式将感官信息与行动选择相结合。

它通过将完整行为分解为子行为来实现此目的。这些子行为被组织成层次结构。每个层实现特定级别的行为能力，更高级别能够包含更低级别（=将更低级别整合/组合到更全面的整体）以便创建可行的行为。例如，机器人的最低层可以是“避开对象”。第二层将“四处游荡”，它在第三层“探索世界”之下运行。因为机器人必须具有“避免物体”的能力以便有效地“四处游荡”，所以包含体系结构创建了一个系统，其中较高层利用较低级别的能力。这些层都接收传感器信息，并行工作并产生产出。这些输出可以是致动器的命令，也可以是抑制或抑制其他层的信号。

属性

肉体
代理商以某种方式体现在环境中，他们拥有带有传感器和执行器的机构，并且他们感知并响应环境的变化。

情况
代理商是他们与之交互的真实世界环境的一部分。这会影响代理的行为。

情报
代理人的智力主要由代理人与真实环境，他的反应和刺激的碰撞形成。

出现了
作为一个整体，系统的智能以一种新兴的方式出现，即各个部分的相互作用。

没有明确的知识表示
Subsoup架构没有明确的世界模型。这意味着机器人没有简化周围世界的概述。好处是显而易见的。代理商不会对世界做出预测，因此他们可以在不可预测的环境中很好地工作。节省阅读和写作的时间。它还节省了此模型使用的算法的时间。世界模型也存在问题，不必与现实世界相匹配。但它也有其缺点。然后该系统纯粹是反应性的。这意味着它只响应世界上正在发生的事情。换句话说，世界决定了它想做什么。

分发
行为分布在执行各种任务的有限自动机之间。因此，他们可以响应环境中的竞争事件。总行为是有限自动机的近似和。子系统架构是并行和异步的，因为有限自动机彼此独立地运行。所有最终机器都在不断运行，并且因为它们可以有自己的定时，所以它们不需要同步。

分层
次表面体系结构由各层组成，每个层实现一定的行为并由一个或多个有限自动机组成。子系统架构被认为是模块化的，因为每个有限自动机执行独立任务。每台最终机器都有许多输入和输出线。最终机器是相互发送消息并能够存储数据结构的处理器。处理器异步工作，并且相同。他们监控他们的输入并将报告发送到输出。最终机器始终考虑收到的最新消息。因此，如果新消息在处理旧消息之前到达，则消息可能会丢失。层内没有控制，处理器之间没有其他形式的通信，即没有共享内存。每个模块只关心它的任务。较高层可以通过限制输入或通过抑制较低级别的某些有限自动机的输出来访问传感器并影响较低层的行为。
这是较高层包括较低层的作用的机制。

导航
基于包容体系结构的最重要的代理能力是在世界各地移动并避免移动和移动对象。导航是代理必须执行的主要任务之一，并且此任务具有极高的反应性（与其他认知代理相比）。导航主要在几个层次中完成。最低的模块避开了物体（即使对于那些突然出现的物体），较高的等级会使代理人朝某个方向前进并忽略障碍物。这种组合提供了一种从A到B的简单方法，无需明确的路线规划。

其他
代理商实时运营，主要用于在真实，动态和复杂的世界中移动。

起源的原因
创建包容体系结构的原因之一是作者想要处理以下要求和创建自主移动机器人的需求。

很多目标
机器人可以有更多相互冲突的目标，需要以某种方式解决。例如，机器人可以尝试到达他面前的某个点，同时他需要避开路上的障碍物。它还需要在尽可能短的时间内到达某个地方，同时必须节省能源。因此，很明显，目标的重要性和优先性是相对的和依赖于上下文的。当火车开始时，在检查履带式睡眠器之前，将轨道拉下来当然更为重要。

更多传感器
机器人可以具有多个传感器（摄像机，红外传感器，声学传感器等）。所有传感器都可能出错。此外，传感器值与所需物理量之间通常没有直接的分析关系。某些传感器可能会在它们测量的区域重叠。如果传感器在其范围之外使用，则经常会出现不一致的读数 – 有时是由于传感器故障，有时是由于测量条件。通常，没有范围的精确分析特征。机器人必须能够在上述条件下做出决定。

稳健性
机器人必须坚固耐用。当某些传感器发生故障时，它们必须能够适应和处理仅依赖于那些工作的传感器。当环境发生剧烈变化时，它仍然应该能够获得一些合理的行为 – 而不是保持震惊或漫无目的地和无意义地四处游荡。如果在其处理器上发生错误，它仍然可以继续。

可扩展性
当更多机器人被添加到机器人时，它们需要更多的处理能力，否则它们的原始能力可能会随着时间的推移而受到干扰。

目标
与传统的AI相比，包容体系结构从一个截然不同的角度来攻击智能问题。Rodney Brooks对Shakey机器人的表现以及类似的有意识表达灵感的项目感到失望，他开始根据不同的智力概念创建机器人，类似于无意识的心灵过程。这种方法不是通过符号操作来模拟人类智能的各个方面，而是针对动态实验室或办公环境的实时交互和可行的响应。

目标由四个主要想法告知：

定位 – 位置AI的一个主要思想是机器人应该能够在类似人类的时间范围内对其环境作出反应。布鲁克斯认为，位于移动机器人不应该通过一组内部符号代表世界，然后对这个模型采取行动。相反，他声称“世界是它自己的最佳模型”，这意味着正确的感知 – 动作设置可以用来直接与世界互动而不是建模。然而，每个模块/行为仍然模拟世界，但在非常低的水平，接近感觉运动信号。这些简单模型必然使用关于算法本身编码的世界的硬编码假设，但避免使用记忆来预测世界的行为，而是尽可能地依赖于直接的感知反馈。

实施例 – 布鲁克斯认为，建立一个具体的代理人可以完成两件事。首先，它迫使设计师测试和创建一个集成的物理控制系统，而不是理论模型或模拟机器人可能无法在物理世界中工作。第二，它可以解决符号接地问题，这是许多传统AI遇到的哲学问题，通过将感知数据直接耦合到有意义的行为。“世界的基础倒退”，行为层的内在关系直接建立在机器人感知的世界。

智力 – 考虑到进化的进步，布鲁克斯认为，发展感知和移动技能是人类智能的必要基础。此外，通过拒绝自上而下的表示作为人工智能的可行起点，似乎“情报是由与世界互动的动力决定的”。

出现 – 传统上，单个模块本身并不被认为是智能的。通过观察代理及其环境来评估这些模块的交互，这通常被认为是智能的（或不是）。因此，“情报”“在观察者眼中”。

上述想法仍然是关于智力本质以及如何培养机器人技术和人工智能的进展的持续辩论的一部分。

层和增强有限状态机
每个层由一组处理器组成，这些处理器是增强型有限状态机（AFSM），增强是添加实例变量以保存可编程数据结构。图层是一个模块，负责单个行为目标，例如“四处游荡”。这些行为模块内或之间没有中央控制。所有AFSM连续地和异步地从相关传感器接收输入并将输出发送到致动器（或其他AFSM）。在交付新信号时未读取的输入信号最终被丢弃。这些丢弃的信号很常见，并且对性能很有用，因为它允许系统通过处理最直接的信息来实时工作。

由于没有中央控制，AFSM通过抑制和抑制信号相互通信。抑制信号阻止信号到达致动器或AFSM，抑制信号阻止或替换层或其AFSM的输入。这种AFSM通信系统是高层包含较低层的方式（见图1），以及该架构如何处理优先级和动作选择仲裁。

层的开发遵循直观的进展。首先，创建，测试和调试最低层。一旦最低级别运行，就会创建第二层并将第二层与第一层的适当抑制和抑制连接相连。在测试和调试组合行为之后，可以为（理论上）任意数量的行为模块重复此过程。

特点
承认上述情况后，作者决定遵循构成包容体系结构基础的程序。他们根据控制系统所需的外部表现而不是内部机器人操作来处理垂直创建机器人的问题。然后他们定义了所谓的能力水平。能力等级是机器人行为所需的所有环境的所需级别的规范。更高水平的能力意味着更具体的行为水平。能力水平的主要思想是，可以创建对应于给定能力水平的控制系统层，并简单地将新层添加到现有集合。

R. Brooks和他的团队在1986年确定了以下能力水平：

避免接触物体（无论它们是移动还是静止）
1.漫无目的地醒来，不与物体发生冲突
2.通过搜索触手可及的地方“探索”世界
3.建立环境地图并规划从一个地方到另一个地方的旅程
4.记录静态环境中的变化
5.根据可识别对象考虑世界，并执行与这些对象相关的任务
6.制定并实施需要以理想的方式改变世界状况的计划
7.考虑世界中对象的行为并相应地进行修改

作者首先建立了一个完整的机器人控制系统，实现零水平的能力和彻底的审查。另一层命名为控制系统的第一级。它能够处理来自系统零层的数据，并且还允许将数据插入到零级内部接口，这限制了正常的比特率。原则是零层继续运行，并且不知道有关层的任何内容，有时会干扰数据路径。该层能够在零层的帮助下达到第一级能力。重复相同的过程以实现更高水平的能力。请看图3.在创建第一层时，控制系统的功能部分已经可用。可以在以后添加附加层，并且不能更改系统。

很多目标
各个层可以同时处理各个目标。然后，抑制机制调解考虑的动作。优点是可能没有事先决定采取何种目标。
多个传感器
所有传感器可能不是中央表示的一部分。只有传感器读数可以添加到中央表示，这被识别为非常可靠。然而，同时，机器人可以使用传感器值。无论层的处理方式如何，其他层都可以处理和使用结果来实现自己的目标。
稳健性
当合理使用它们的结果时，多个传感器的存在显然增加了系统的鲁棒性。包容体系结构中还有另一个稳健性来源。即使添加了更高的层，已经过充分验证的下层也会继续运行。因为较高层只能通过主动干扰备用数据来抑制较低层输出，并且在不能以适当方式产生结果的情况下，较低层仍将产生合理的结果，即使在较低的能力水平下也是如此。
可扩展性
处理可伸缩性的一个明显方法是让每个新层在自己的处理器上运行。

机器人
以下是使用包容体系结构的小型机器人列表。

艾伦（机器人）
赫伯特，苏打水可以收集机器人
成吉思汗，一个强大的六足步行者
以上是与Elephants Do not Play Chess中的其他机器人一起详细描述的。

长处和短处
该架构的主要优点是：

重视目标领域的实时系统的迭代开发和测试;
强调将有限的，任务特定的感知直接联系到需要它的表达行为; 和
强调分配和平行控制，从而以类似于动物的方式整合感知，控制和行动系统。

该架构的主要缺点是：

通过高度分布的抑制和抑制系统设计适应性动作选择的难度; 139-140和
缺乏大记忆和符号表示，似乎限制了建筑的理解语言;

在开发包容体系结构时，包含体系结构的新颖设置和方法使其在传统AI失败的许多重要领域（即与动态环境的实时交互）中取得了成功。然而，缺乏大容量存储器，符号表示和中央控制使得它在学习复杂动作，深入映射和理解语言方面处于劣势。

延期
1989年，布鲁克斯开发了包容体系结构，主要是在输入限制和有限自动机抑制输出的领域。1991年，布鲁克斯提出了荷尔蒙系统的实施。应该通过激素的存在或不存在来抑制或限制各个层。1992年，Mataric提出了基于行为的架构理念。这种架构应解决缺乏对世界的明确表示而不失去鲁棒性和反应性的问题。