手部操作经验估计是可恢复的：迈向日常活动中个体化且可解释的机器人支持的一步

机器人系统的一个关键挑战是弄清另一智能体的行为。正确推断的能力对于从示例中推导人类行为至关重要。当（混杂）因素未受实验控制（观测证据）时，处理正确推断尤为困难。因此，依赖相关性推断的机器人面临对证据产生偏倚解读的风险。我们提议为机器人配备必要的工具以对人进行观测性研究。具体而言，我们提出并探索了基于结构因果模型与非参数估计量来推导虚拟厨房场景中物体操作背景下手部行为经验估计的可行性。我们特别聚焦于在（较弱的）部分混杂条件（模型仅涵盖部分因素）下的推断，并以数百而非典型数千量级的样本让估计量面对考验。研究这些条件探索了该方法的边界及其可行性。尽管条件苛刻，从验证数据推断出的估计仍是正确的。此外，这些估计在三种反驳策略下是稳定的，且有四种估计量一致。进而，针对两个个体的因果量揭示了该方法检测正效应与负效应的敏感性。该方法的有效性、稳定性与可解释性令人鼓舞，并可作为进一步研究的基础。