Jan, 2023

基于时间观察的因果发现技术在道路驾驶行为上的评估

PDF
TL;DR本文探讨了从低级别的时间观察中学习高级因果结构的问题，使用了当代基于观察的时间因果发现技术来探究自主机器人场景中的因果发现，并在多个数据集上进行了实验验证，提出了未来探索因果发现在自主机器人中应用的方向。
autonomous robotscausal modelscausal discoverytemporal observationssynthetic driving
发现论文，激发创造
  • 基于仿真的反事实因果推断：真实世界驾驶员行为研究

    提出了三种反事实因果发现方法，其通过提取事件的方式解决了动态环境中因果链的不稳定性，同时采用反事实模拟来克服因无法在公共道路上进行实验而带来的干扰，实验结果表明，该方法在智能驾驶中因果关系的建立方面表现显著优于传统方法。

    Jun, 2023

  • 预测人类空间互动的动态模型的因果发现

    本研究将因果发现方法应用于人机空间相互作用建模，从真实世界的传感器数据中尝试理解人类行为，提高服务机器人场景的预测准确性。

    Oct, 2022

  • 关于在矿山测绘任务中实现无人机的概率因果发现、推断与解释

    部署因果模型的无人机系统在盐矿环境中遇到了混淆因素、非稳态和无法提前构建完整因果模型等挑战，为了解决这些问题，我们提出了一种基于概率因果框架的解决方案，其中包括因果知识驱动的 POMDP 规划、在线 SCM 调整和事后可反事实解释。同时，我们将计划进行实验，评估这一框架在模拟矿山环境和真实矿山数据集上与无人机系统的集成效果。

    Aug, 2023

  • 基于视觉模型的强化学习因果关系发现的系统评价

    本文研究在机器学习中从观察数据中识别因果关系的问题，探讨如何帮助学习高级变量及其中的因果结构，并介绍了一套基于强化学习的环境用于测试表示学习算法的性能。研究表明，模型中显式地融合结构和模块化有助于因果识别。

    Jul, 2021

  • 使用干预学习自主代理端因果模型

    本篇论文介绍了一种基于 agent assessment module 的 AI 系统执行高级指令序列并回答用户问题的方法，通过不同类别的查询来比较这种方法的计算要求和正确模型的学习所需的努力，并介绍了动态因果决策网络来捕捉 STRIPS-like 领域的因果结构。

    Aug, 2021

  • 因果发现与预测：方法与算法

    我们提出了一种新的主动学习算法，通过一系列成本最低的干预来识别任何给定因果模型中的因果关系，同时引入了对时间周期性因果设置的形式化分析，并提供了一种可靠完备的算法来识别循环设置中的因果效应。

    Sep, 2023

  • LLM 在干预数据的时间域因果推断中的增强

    提出了一种能在工业场景中发现时间因果关系的 RealTCD 框架，通过遮蔽和正则化的策略，采用基于得分的时间因果发现方法，无需依赖干预目标进行根本原因分析，并结合大型语言模型和领域知识来提取系统中隐藏的文本信息中的元知识，以提高发现质量。在模拟和真实数据集上进行了大量实验证明了 RealTCD 框架相对于现有基准的优越性。

    Apr, 2024

  • 高效机器人应用的因果发现

    利用机器人实现快速而准确的因果分析，以提高机器人与人类的交互质量。

    Oct, 2023

  • 面向分布感知的自主驾驶安全目标预测和符合模型规划

    本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

    Dec, 2022

  • 自动驾驶车辆的行为解释中涉及人的属性和目的

    AI 系统的关键是提供用户可以理解和采取行动的解释。本论文通过对认知科学和解释相关的文献研究，以及调查人们对自主驾驶车辆行为解释的生成和评价，发现人们倾向于用目的论解释决策和行为，无论是对于其他人还是自主驾驶车辆都表现出这一倾向。研究结果促进了对于自主驾驶决策的人工注释视频情况和解释数据集 (HEADD) 的进一步研究。

    Mar, 2024