COBRA-PPM：一种用于不确定性下机器人操作的基于概率编程的因果贝叶斯推理架构
机器人学
2025-09-01 v4 人工智能
机器学习
应用统计
摘要
操作任务要求机器人在与物体交互时推理因果关系。然而，许多数据驱动的方法缺乏因果语义，因此仅考虑相关性。我们引入了 COBRA-PPM，这是一种新颖的因果贝叶斯推理架构，它结合了因果贝叶斯网络和概率编程，以在不确定性下执行机器人操作的干预推理。我们通过基于 Gazebo 的高保真实验，在一个示例性的积木堆叠任务上展示了其能力，该架构以高准确率（预测准确率：88.6%）预测操作结果，并以 94.2% 的任务成功率执行贪心次优动作选择。我们进一步在家庭机器人上展示了从仿真到现实的迁移，证明了其在处理来自传感器噪声和随机动作的真实世界不确定性方面的有效性。我们通用且可扩展的框架支持广泛的操控场景，并为未来在机器人学与因果性交叉领域的工作奠定了基础。
引用
@article{arxiv.2403.14488,
title = {COBRA-PPM: A Causal Bayesian Reasoning Architecture Using Probabilistic Programming for Robot Manipulation Under Uncertainty},
author = {Ricardo Cannizzaro and Michael Groom and Jonathan Routley and Robert Osazuwa Ness and Lars Kunze},
journal= {arXiv preprint arXiv:2403.14488},
year = {2025}
}
备注
8 pages, 7 figures, accepted to the 2025 IEEE European Conference on Mobile Robots (ECMR 2025)