动态场景下从机器人传感器数据增强因果发现
机器人学
2023-02-21 v1
摘要
从传感器数据的时间序列中识别动态系统的主要特征并学习其因果关系,是许多真实世界机器人应用中的关键问题。本文提出了一种最先进因果发现方法 PCMCI 的扩展,其嵌入了基于转移熵的额外特征选择模块。从一组预设变量出发,新算法仅考虑观测系统的主要特征并忽略那些对理解系统演化而言不必要的特征,从而重构其因果模型。我们首先在一个玩具问题及脑网络合成数据(其真实模型已知)上验证该方法,随后在一个使用大规模人类轨迹时间序列数据集的真实机器人场景中进行验证。实验表明,我们的方案在准确性和计算效率上均优于先前的最先进技术,能够从机器人传感器数据更好且更快地发现有意义的因果模型。
引用
@article{arxiv.2302.10135,
title = {Enhancing Causal Discovery from Robot Sensor Data in Dynamic Scenarios},
author = {Luca Castri and Sariah Mghames and Marc Hanheide and Nicola Bellotto},
journal= {arXiv preprint arXiv:2302.10135},
year = {2023}
}
备注
Published at 2023 Conference on Causal Learning and Reasoning (CLeaR)