层次因果推断：面向可解释模型预测控制的基础框架
人工智能
2026-05-12 v1 机器学习
摘要
模型预测控制(MPC)广泛用于安全关键设施的操作，通过预测未来轨迹并优化控制动作。然而，非线性动力学、硬约束和数值优化常使单个控制动作对人类操作员而言不透明，削弱信任并阻碍部署。本文提出了层次因果推断(HCA)，其结合了(i)通过领域知识图实现的物理驱动推理，(ii)来自Karush--Kuhn--Tucker(KKT)乘子的优化证据，以及(iii)通过PCMCI算法实现的时序因果发现，以生成针对非线性MPC计算的控制动作的忠实且人类可解释的解释。在三个不同控制应用(温室气候、建筑HVAC、化工过程工程)中进行了专家验证，HCA在不进行领域特定调参的情况下，以单一套跨域参数提高解释准确率53%，从0.311提升至0.478；进一步进行2-3天的领域特定KKT阈值校准可将准确率提高至0.88。消融研究确认每个证据来源都是必需的，移除任意组件会导致32-37%的准确率下降；HCA的排序和验证方法超越MPC，扩展到包括学习型控制和轨迹规划等其他基于预测的决策系统。
引用
@article{arxiv.2605.10624,
title = {Hierarchical Causal Abduction: A Foundation Framework for Explainable Model Predictive Control},
author = {Ramesh Arvind Naagarajan and Zühal Wagner and Stefan Streif},
journal= {arXiv preprint arXiv:2605.10624},
year = {2026}
}