把傳統(tǒng)的人工智能的符號(hào)處理技術(shù)應(yīng)用到機(jī)器人中存在哪些困難呢？一般的工業(yè)機(jī)器人的控制器，本質(zhì)是一個(gè)數(shù)值計(jì)算系統(tǒng)。如若把人工智能系統(tǒng)(如專(zhuān)家系統(tǒng))直接加到機(jī)器人控制器的頂層，能否得到一個(gè)很好的智能控制器？并不那么容易。因?yàn)榉?hào)處理與數(shù)值計(jì)算，在知識(shí)表示的抽象層次以及時(shí)間尺度上的重大差距，把兩個(gè)系統(tǒng)直接結(jié)合起來(lái)，相互之間將存在通信和交互的問(wèn)題，這就是組織智能控制系統(tǒng)的困難所在。這種困難表現(xiàn)在兩個(gè)方面：一是傳感器所獲取的反饋信息通常是數(shù)量很大的數(shù)值信息，符號(hào)層一般很難直接使用這些信息，需要經(jīng)過(guò)壓縮、變換、理解后把它轉(zhuǎn)變?yōu)榉?hào)表示，這往往是一件很困難而又耗費(fèi)時(shí)間的事。而信息來(lái)自分布在不同地點(diǎn)和不同類(lèi)型的多個(gè)傳感器。從不同角度，以不同的測(cè)量方法得到不同的環(huán)境信息。這些信息受到干擾和各種非確定性因素的影響，難免存在畸變、信息不完整等缺陷，因此使上述的處理、變換更加復(fù)雜和困難。二是從符號(hào)層形成的命令和動(dòng)作意圖，要變成控制級(jí)可執(zhí)行的指令(數(shù)據(jù))，也要經(jīng)過(guò)分解、轉(zhuǎn)換等過(guò)程，這也是困難和費(fèi)時(shí)的工作。它們同樣受到控制動(dòng)作和環(huán)境的非確定性因素的影響。
由于這些困難，要把人工智能系統(tǒng)與傳統(tǒng)機(jī)器人控制器直接結(jié)合起來(lái)就很難建立實(shí)時(shí)性和適應(yīng)性很好的系統(tǒng)。為了解決機(jī)器人的智能化，組成智能機(jī)器人系統(tǒng)，研究者們將面臨許多困難且需要做長(zhǎng)期努力，進(jìn)行若干課題的研究。例如：高級(jí)思維活動(dòng)應(yīng)以什么方式的機(jī)器人系統(tǒng)來(lái)模仿，是采取傳統(tǒng)的人工智能符號(hào)推理的方法，還是采用別的方法？需不需要環(huán)境模型，需要怎樣的環(huán)境模型；怎樣建立環(huán)境模型，傳統(tǒng)的人工智能主要依據(jù)先驗(yàn)知識(shí)建立環(huán)境模型。由于環(huán)境和任務(wù)的復(fù)雜性，環(huán)境的不確定性，這種建模方式遇到了挑戰(zhàn)，于是出現(xiàn)了依靠傳感器建模的主張，這就引出一系列新的與傳感技術(shù)有關(guān)的課題。
人們?yōu)榱颂接懭斯ぶ悄茉跈C(jī)器人中近期的可用技術(shù)，暫時(shí)拋開(kāi)人工智能中的各種帶根本性的爭(zhēng)論，如符號(hào)主義與連接主義、有推理和無(wú)推理智能等等，把著眼點(diǎn)放在人工智能技術(shù)中較成熟的技術(shù)上。對(duì)傳統(tǒng)的人工智能來(lái)說(shuō)，就是知識(shí)的符號(hào)表示和推理這部分技術(shù)，看一看它對(duì)當(dāng)前的機(jī)器人技術(shù)的發(fā)展會(huì)有什么貢獻(xiàn)。其主要貢獻(xiàn)體現(xiàn)在以下幾個(gè)方面：基于任務(wù)的傳感技術(shù)，建立感知與動(dòng)作的直接聯(lián)系，基于傳感器的規(guī)劃和決策，復(fù)雜動(dòng)作的協(xié)調(diào)等。