莱斯利·帕克·凯尔布林是一位美国机器人学家，现任麻省理工学院计算机科学与工程系的松下教授。她因将部分可观测马尔可夫决策过程从运筹学领域引入人工智能和机器人学中的应用而广受认可。她的工作塑造了自主系统如何在动态环境中推理不确定性并采取行动的方式。
凯尔布林于1997年获得IJCAI计算机与思想奖，以表彰她将强化学习应用于嵌入式控制系统并开发机器人导航编程工具的贡献。2000年，她当选为人工智能促进协会会士。她的研究涵盖不确定性下的决策、机器学习和感知，重点关注使机器人在现实世界中可靠运行。
早年生活与教育
凯尔布林于1983年在斯坦福大学获得哲学学士学位，随后于1990年在该校获得计算机科学博士学位。在研究生学习期间，她隶属于语言与信息研究中心，探索逻辑、推理与行动之间的联系。她的博士工作为她后来在概率规划和控制方面的贡献奠定了基础。
她跨学科的背景，，将哲学与计算机科学相结合，，塑造了她在人工智能领域的方法，特别是将智能行为视为在不确定性下行动的问题。这一视角成为她职业生涯的标志性特征，影响了理论框架和实际机器人系统。
职业轨迹
完成博士学位后，凯尔布林在SRI国际及其附属机器人衍生公司Teleos Research工作。在SRI，她参与了机器人导航和嵌入式控制的早期工作，开发了使机器人能够基于噪声传感器数据做出决策的工具。她在Teleos Research的经历架起了学术研究与商业应用之间的桥梁，使她深入了解了部署人工智能系统的实际挑战。
20世纪90年代中期，凯尔布林加入布朗大学任教，在那里她建立了一个专注于强化学习和概率机器人学的研究小组。在布朗大学，她与同事合作撰写了基础性论文，定义了机器人如何从交互中学习并在部分可观测性下进行规划。她一直在布朗大学工作到1999年，随后转至麻省理工学院。
在麻省理工学院，凯尔布林成为松下计算机科学与工程教授，并一直担任该职位至今。她在麻省理工学院计算机科学与人工智能实验室的实验室产出了关于任务与运动规划、分层决策以及集成感知-行动系统的有影响力的工作。她指导了许多学生，这些学生后来在学术界和工业界取得了杰出成就。
对强化学习的贡献
凯尔布林在强化学习方面的早期工作帮助将该领域确立为人工智能研究的核心方向。她与迈克尔·L·利特曼和安德鲁·W·摩尔合著的1996年综述《强化学习：综述》至今仍是该领域被引用最多的参考文献之一。该综述系统性地整理了现有算法、理论结果和应用，为后续研究提供了路线图。
她1997年获得的IJCAI计算机与思想奖表彰了她将强化学习应用于嵌入式控制系统的贡献。这项工作表明，机器人可以直接从经验中学习策略，而无需显式建模其环境。她还开发了机器人导航编程工具，使研究人员能够指定高层目标，而系统则处理低层不确定性。
凯尔布林的方法强调显式表示不确定性的重要性。她的系统不假设完美知识，而是维护可能状态上的概率分布，并利用这些分布来指导行动选择。这一视角在机器人学中尤其具有影响力，因为传感器有噪声且执行器不精确。
部分可观测马尔可夫决策过程
凯尔布林职业生涯的一个核心贡献是将部分可观测马尔可夫决策过程（POMDP）从运筹学引入人工智能和机器人学。POMDP提供了一个数学框架，用于在智能体无法直接观测环境完整状态时进行决策。凯尔布林及其合作者展示了这些模型如何用于机器人导航和规划。
她与利特曼和安东尼·R·卡桑德拉合著的1998年论文《部分可观测随机领域中的规划与行动》介绍了求解POMDP的高效算法，并展示了其在移动机器人导航中的应用。这项工作弥合了理论人工智能与实际机器人学之间的鸿沟，表明POMDP能够处理现实世界感知中固有的不确定性。
凯尔布林与卡桑德拉和詹姆斯·A·库里恩合作的关于移动机器人导航离散贝叶斯模型的相关工作，提供了使用传感器数据更新机器人位置信念的具体方法。这些技术成为后来同步定位与建图（SLAM）和更广泛概率机器人学发展的基础。
机器学习研究杂志
2000年春天，凯尔布林在人工智能开放获取运动中发挥了关键作用。她和Kluwer旗下期刊《机器学习》编辑委员会的三分之二成员集体辞职，以抗议其付费访问档案和对作者有限的经济补偿。这次辞职是一次协调行动，旨在挑战限制研究访问的商业出版模式。
凯尔布林共同创办了《机器学习研究杂志》（JMLR），并担任其首任主编。JMLR是一本同行评审的开放获取期刊，允许研究人员免费发表文章、保留版权，并免费在线提供档案。这一模式在当时具有革命性，此后已成为许多人工智能出版物的标准。
面对集体辞职，Kluwer改变了其出版政策，允许作者在同行评审后在线自行存档论文。凯尔布林指出，这一政策是合理的，本可使另创期刊变得不必要。然而，她观察到政策变化仅在辞职威胁和JMLR实际创办之后才出现，这凸显了集体行动在学术出版中的重要性。
代表性著作与影响
凯尔布林的发表记录包括多篇极具影响力的论文。她与利特曼和摩尔合著的1996年强化学习综述发表于《人工智能研究杂志》，已被引用数千次。与利特曼和卡桑德拉合著的1998年POMDP论文发表于《人工智能》，同样成为基石性参考文献。
她与托马斯·洛萨诺-佩雷斯合作的分层任务与运动规划工作，解决了将离散任务级规划与连续运动规划相结合的问题。他们2011年的论文《当下的分层任务与运动规划》提出了实时交错规划与执行的方法，使机器人能够处理复杂的操作任务。这一研究方向影响了学术界和工业界现代机器人操作的方法。
凯尔布林还与威廉·D·斯马特合作，在2000年国际机器学习会议上发表了一篇关于连续空间实用强化学习的论文。这项工作解决了将强化学习扩展到高维连续状态空间的挑战，这一问题至今仍是现代深度强化学习的核心。
遗产与认可
凯尔布林的影响超越了她自己的研究。作为麻省理工学院的教授，她塑造了下一代机器人学家和人工智能研究者。她强调的原则性概率方法已成为机器人学的标准实践，影响了从自动驾驶到家用机器人等各个领域。
她于2000年当选为人工智能促进协会会士，以表彰她对领域的持续贡献。IJCAI计算机与思想奖作为人工智能领域的最高荣誉之一，认可了她早期的职业成就。她在创办JMLR中的角色也对人工智能研究的传播方式产生了持久影响，在开放获取成为广泛运动之前就推动了这一理念。
随着人工智能系统越来越多地在不确定的现实环境中运行，凯尔布林的工作持续具有相关性。她在POMDP和强化学习方面的基础性贡献支撑了现代机器人学和决策中的许多方法，从仓库自动化到自动驾驶车辆。她的职业生涯体现了理论严谨性与实际应用的结合，这一模式继续激励着人工智能和机器人学领域的研究者。