面向机器人感知系统的反事实推理框架用于故障诊断
机器人学
2025-09-24 v1 系统与控制
系统与控制
摘要
感知系统为自主系统提供环境的深入理解，塑造了所有下游模块中的决策。因此，对感知系统故障的准确检测与隔离至关重要。感知系统中的故障具有挑战性：故障常与环境的感知情境相关，错误在其多阶段管道中可能在模块之间传播。为解决此问题，我们采用反事实推理方法，提出面向感知系统的故障检测与隔离 (FDI) 框架。与依赖物理冗余（即拥有额外传感器）不同，我们的方法利用反事实推理中的分析冗余来构建作为由系统状态和故障情景影响的感知可靠性测试。反事实推理生成假设故障下的可靠性测试结果，以更新对故障假设的信念。我们推导了被动 FDI 方法和主动 FDI 方法。虽然被动 FDI 可通过信念更新实现，但主动 FDI 方法被定义为因果 bandit 问题，利用蒙特卡洛树搜索 (MCTS) 结合上置信界 (UCB) 寻找最大化检测与隔离指标（Effective Information, EI）的控制输入。该指标量化了控制输入对 FDI 的信息性。我们在机器人探索场景中演示了该方法，空间机器人执行基于视觉的导航时，主动调整姿态以增加 EI 并正确隔离由传感器损坏、动态场景和感知降级引起的故障。
引用
@article{arxiv.2509.18460,
title = {A Counterfactual Reasoning Framework for Fault Diagnosis in Robot Perception Systems},
author = {Haeyoon Han and Mahdi Taheri and Soon-Jo Chung and Fred Y. Hadaegh},
journal= {arXiv preprint arXiv:2509.18460},
year = {2025}
}