基于2D LiDAR 的移动机器人现实反事实解释
计算机视觉与模式识别
2025-12-09 v3 图像与视频处理
摘要
本文提出了一种用于生成机器学习（ML）驱动移动机器人控制的现实反事实解释（CFEs）的新方法。机器学习模型，特别是人工神经网络（ANNs），可以通过从数据中学习来提供高级决策和控制能力，但往往作为黑箱运作，难以解释。这在安全关键的控制应用中尤为棘手。为生成现实的 CFEs，我们通过参数化 LiDAR 空间中的简单图形（如圆形和矩形），并利用遗传算法选择参数，将配置通过光线投射转换为 LiDAR 数据。我们提出的模型无关方法以合成 LiDAR 数据形式生成 CFEs，该数据看起来类似于基础 LiDAR 状态，但经过修改以产生特定查询下的预定义 ML 模型控制输出。我们在移动机器人 TurtleBot3 上进行了演示，使用深度强化学习（DRL）在真实场景和模拟场景中进行控制。我们的模型生成逻辑且真实的 CFEs，有助于解释 DRL 智能体的决策过程。这项工作旨在推动移动机器人领域的可解释人工智能发展，我们的方法可作为理解、调试和改进基于 ML 的自主控制的工具。
引用
@article{arxiv.2505.06905,
title = {Enhancing Monocular Height Estimation via Sparse LiDAR-Guided Correction},
author = {Jian Song and Hongruixuan Chen and Naoto Yokoya},
journal= {arXiv preprint arXiv:2505.06905},
year = {2025}
}
备注
Accepted for publication in the ISPRS Journal of Photogrammetry and Remote Sensing