基于因果推断消除机器人观测数据运动估计偏差的方法
机器人学
2022-10-18 v1
摘要
在复杂真实场景中所收集的机器人数据常因安全考量、人类偏好以及任务或平台约束而存在偏差。因此，基于此类观测数据的机器人学习在准确参数估计上面临巨大挑战。我们提出一种原理性的因果推断框架，使机器人能够利用观测数据学习随机运动模型的参数。具体而言，我们借助潜在结果因果推断框架、逆倾向加权（IPW）和双重稳健（DR）方法的去偏功能，获得机器人随机运动模型的更优参数估计。IPW 是一种重新加权方法以确保无偏估计，而 DR 方法进一步结合任意两个估计量，即使其中一个有偏也能强化无偏结果。随后我们利用消除偏差的估计状态转移函数开发了近似策略迭代算法。我们通过仿真与真实世界实验验证了框架，结果表明所提出的基于因果推断的导航与控制框架能够正确且高效地从有偏观测数据中学习参数。
引用
@article{arxiv.2210.08679,
title = {Causal Inference for De-biasing Motion Estimation from Robotic Observational Data},
author = {Junhong Xu and Kai Yin and Jason M. Gregory and Lantao Liu},
journal= {arXiv preprint arXiv:2210.08679},
year = {2022}
}
备注
submitted to ICRA 2023