Aug, 2023

面向机器人堆叠任务的因果概率预测、行动选择和解释框架

PDF
TL;DR通过引入因果模型和物理仿真能力，提出了一个新颖的概率框架，使得机器人能够感知和评估积木堆叠任务的当前状态，推理出最佳动作，并生成事后的反事实解释。
causal modelsautonomous agentrobot block-stacking taskphysics simulation capabilitynext-best action selection
发现论文，激发创造
  • 机器人操纵任务中基于物理的因果推理，用于安全和稳健的下一最佳行动选择

    通过将基于物理的因果推理嵌入机器人的决策过程中，我们可以使机器人任务执行更安全、更可靠，对各种类型的不确定性更具鲁棒性。

    Mar, 2024

  • 为什么失败了？一种因果推理方法寻找机器人失败的解释

    本文提出了一种新方法以解决机器人失败后向用户提供直观的因果解释，其利用生成对比性解释的方式，基于来自贝叶斯网络的因果模型，并在两个场景中测试了其准确性。

    Apr, 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

  • 随机序列多智能体决策的因果社交解释

    我们提出一个新颖的框架，用于在随机序列多智能体环境中为智能体的决策提供因果解释，通过自然语言交流回答广泛的用户查询，涉及联想、干预或反事实的因果推理。该方法不假定任何特定的因果图，而是依赖于相互作用的生成模型来模拟反事实世界，从而识别决策背后的显著原因。我们将该方法应用于自动驾驶的运动规划，并在耦合交互的模拟场景中进行测试。我们的方法可以正确地识别和排名相关的原因，并向用户提供简明的解释。

    Feb, 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

  • 不确定情况下的序贯决策因果解释

    本文引入一种新的框架，基于结构因果模型范式对随机、顺序决策系统进行因果解释，该框架可以为代理行为识别多个语义上不同的解释，并建立了准确方法和多个近似技术用于因果推断，同时探讨了一些模型的灵活性与性能，并且表明了基于该框架的方法优于其他方法。

    May, 2022

  • 因果透镜下的可解释强化学习

    本文使用因果关系模型来推导强化学习器的行为的因果解释，并通过对一项实验的研究结果表明，基于因果模型的解释在任务预测、解释满意度和信任方面表现更好。

    May, 2019

  • 朝向具身人工智能因果关系的基础理论

    本文论述一种框架，通过交互式体验使自主代理学习抽象因果模型需要扩展并澄清现有的理论基础，该框架将动作描述为状态空间的转换，从而使描述微状态空间的转换和抽象模型的转换成为可能，进而将因果表示和干预技能学习的目标变得更加清晰。

    Jun, 2022

  • 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

  • 学做中：带因果感知策略的在线因果强化学习框架

    通过引入因果图模型来显式建模状态生成过程，并通过主动干预学习环境，优化衍生目标，提出了一种在探索阶段使用干预进行因果结构学习，然后在开发阶段使用学习到的因果结构进行策略指导的框架。实验结果表明，我们的方法在因果指导的策略学习和因果结构学习的良性循环的推动下，在故障报警环境中有效且稳健，超越了最先进的基准方法。

    Feb, 2024