工作论文：含隐变量的主动因果结构学习：迈向自主机器人的学习绕行能力
人工智能
2026-03-27 v3 机器学习
摘要
通用人工智能（AGI）智能体和机器人必须能够应对不断变化的环境和任务。当环境中发生新的结构变化时，它们必须能够主动构建其与环境交互的新的内部因果模型。因此，我们声称，含隐变量的主动因果结构学习（ACSLWL）是构建 AGI 智能体和机器人的必要组成部分。本文描述了当模拟机器人在前往目标的路径上意外且首次遇到某种透明障碍物时，如何通过 ACSLWL 学习复杂的规划和基于预期的绕行行为。ACSLWL 包括在环境中行动、发现新的因果关系、构建新的因果模型、利用因果模型最大化其预期效用、在出现意外观察时检测可能的隐变量，以及构建新结构——内部因果模型和关联参数的最优估计，从而能够有效应对新遇到的情况。也就是说，智能体必须能够构建新的内部因果模型，将先前意外且低效（次优）的情况转化为具有最优操作计划的可预测情况。
引用
@article{arxiv.2410.20894,
title = {Working Paper: Active Causal Structure Learning with Latent Variables: Towards Learning to Detour in Autonomous Robots},
author = {Pablo de los Riscos and Fernando J. Corbacho},
journal= {arXiv preprint arXiv:2410.20894},
year = {2026}
}
备注
44 pages, 12 figures