使用模拟机器人臂学习低层因果关系
机器人学
2024-12-30 v2 人工智能
机器学习
摘要
因果学习允许人类预测其动作对已知环境的影响，并用于计划更复杂动作的执行。这种知识也捕捉了环境的行为，可用于其分析和对行为背后原因的推理。这类知识在设计具有常识的智能机器人系统方面至关重要。本文通过基于数据生成的模拟机器人臂参与两种传感器运动任务，学习前向和逆向模型。下一步，我们研究特征归因方法来分析前向模型，这揭示了与臂关节和环境特征相关的单个特征的低层因果效应。这种分析为状态表示的降维以及对高层因果效应可解释性的知识聚合提供了坚实依据。
引用
@article{arxiv.2410.07751,
title = {Learning Low-Level Causal Relations using a Simulated Robotic Arm},
author = {Miroslav Cibula and Matthias Kerzel and Igor Farkaš},
journal= {arXiv preprint arXiv:2410.07751},
year = {2024}
}
备注
14 pages, 5 figures, 3 tables. Appeared in 2024 International Conference on Artificial Neural Networks (ICANN) proceedings. Published version copyrighted by Springer. This work was funded by the Horizon Europe Twinning project TERAIS, G.A. number 101079338 and in part by the Slovak Grant Agency for Science (VEGA), project 1/0373/23. The code can be found at https://doi.org/10.5281/zenodo.14550231