Модель постоянного отказа для датчика аккумулятора показана на рис. 15.11, а. Показатели ее производительности при двух последовательностях данных (временный сбой и постоянный отказ) приведены на рис. 15.11, б. В отношении этих кривых необходимо сделать несколько замечаний. Прежде всего, в случае временного сбоя вероятность того, что датчик вышел из строя, существенно повышается после второго показания со значением 0, но немедленно падает вновь до нуля после получения результатов наблюдения 5. Далее, в случае постоянного отказа вероятность того, что датчик неисправен, быстро повышается почти до 1 и остается на этом уровне. Наконец, как только становится известно, что датчик стал неисправным, робот может лишь руководствоваться предположением, что его аккумулятор разряжается с "обычной" скоростью, как показывает постепенно снижающийся уровень

В приведенном выше описании мы лишь слегка коснулись поверхности проблемы представления сложных процессов. Применяемое на практике разнообразие моделей перехода является буквально огромным и охватывает такие разные направления, как моделирование эндокринной системы человека и моделирование потока, состоящего из большого количества автомобилей, движущихся по скоростному шоссе. Создание моделей восприятия также представляет собой обширную самостоятельную область, но практика показала, что динамические байесовские сети позволяют явно представить даже такие тонкие феномены, как дрейф датчика, внезапная раскалибровка и влияние на показания датчика внешних условий (таких как погода).

Рис. 15.11. Пример применения модели постоянного отказа: фрагмент сети DBN, в котором показаны переменные состояния датчика, необходимые для моделирования постоянного отказа датчика аккумулятора (а); верхние кривые — траектории ожидаемого значения переменной Batteryt для последовательностей наблюдений, характерных для "временного отказа" и "постоянного отказа"; нижние кривые — траектории вероятностей для переменной ВМВrоkеn при наличии двух указанных последовательностей наблюдений (б)