仿真到现实的因果迁移：一种面向因果感知交互表示的度量学习方法

建模相邻智能体之间的时空交互是运动预测和人群导航等多智能体问题的核心。尽管取得了显著进展，但现代表示能在多大程度上捕捉智能体交互背后的因果关系仍不清楚。在这项工作中，我们从计算形式化到实际应用深入研究了这些表示的因果感知能力。首先，我们对最近CausalAgents基准中研究的非因果鲁棒性概念提出质疑。我们表明，最近的表示已经对非因果智能体的扰动具有部分弹性，然而建模涉及中介智能体的间接因果效应仍然具有挑战性。为了应对这一挑战，我们引入了一种度量学习方法，该方法用因果标注对潜在表示进行正则化。我们的受控实验表明，这种方法不仅带来了更高程度的因果感知，而且产生了更强的分布外鲁棒性。为了在实践中进一步操作化，我们提出了一种通过跨领域多任务学习的仿真到现实因果迁移方法。在行人数据集上的实验表明，即使在缺乏真实世界因果标注的情况下，我们的方法也能显著提升泛化能力。我们希望我们的工作为多智能体交互的因果感知表示所面临的挑战和途径提供新的视角。我们的代码可在 https://github.com/vita-epfl/CausalSim2Real 获取。