Enhancing Causal Discovery from Robot Sensor Data in Dynamic Scenarios

要約

主な特徴を特定し、時系列のセンサー データから動的システムの因果関係を学習することは、多くの現実世界のロボット アプリケーションにおける重要な問題です。
この論文では、転送エントロピーに基づく追加の機能選択モジュールを埋め込む、最先端の因果的発見方法である PCMCI の拡張を提案します。
新しいアルゴリズムは、事前に設定された一連の変数から始めて、観察されたシステムの因果モデルを、その主な特徴のみを考慮し、システムの進化を理解するために不要と見なされたものを無視することによって再構築します。
最初に、おもちゃの問題と、グラウンドトゥルースモデルが利用可能な脳ネットワークの合成データでメソッドを検証し、次に、人間の軌跡の大規模な時系列データセットを使用して、現実世界のロボット工学シナリオでメソッドを検証します。
実験は、当社のソリューションが精度と計算効率の点で以前の最先端の手法よりも優れていることを示しており、ロボットセンサーデータから意味のあるモデルの因果関係をより適切かつ迅速に発見できるようにします。

要約(オリジナル)

Identifying the main features and learning the causal relationships of a dynamic system from time-series of sensor data are key problems in many real-world robot applications. In this paper, we propose an extension of a state-of-the-art causal discovery method, PCMCI, embedding an additional feature-selection module based on transfer entropy. Starting from a prefixed set of variables, the new algorithm reconstructs the causal model of the observed system by considering only its main features and neglecting those deemed unnecessary for understanding the evolution of the system. We first validate the method on a toy problem and on synthetic data of brain network, for which the ground-truth models are available, and then on a real-world robotics scenario using a large-scale time-series dataset of human trajectories. The experiments demonstrate that our solution outperforms the previous state-of-the-art technique in terms of accuracy and computational efficiency, allowing better and faster causal discovery of meaningful models from robot sensor data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google