CaRE：在高可配置机器人中定位配置问题的根因

机器人系统的子系统具有组合爆炸般的配置空间，以及数百乃至数千种以非平凡方式相互作用的软硬件配置选项。这些可配置参数被设定以达成特定目标，但若配置错误则可能引发功能故障。由于配置空间呈指数级庞大，且机器人的配置设置与性能之间存在依赖关系，定位此类故障的根因颇具挑战。本文提出 CaRE——一种借助因果视角诊断功能故障根因的方法。CaRE 通过学习因果结构并估计各选项对机器人性能指标因果效应，抽象出各种配置选项与机器人性能目标间的因果关系。我们通过在实际机器人（Husky 与 Turtlebot 3）和仿真（Gazebo）中开展实验，定位观测到的功能故障根因并验证所诊断的根因，从而展示了 CaRE 的有效性。此外，我们证明了从仿真机器人（如 Gazebo 中的 Husky）学到的因果模型可迁移至不同平台的实体机器人（如 Husky 与 Turtlebot 3）。