Towards Probabilistic Causal Discovery, Inference & Explanations for Autonomous Drones in Mine Surveying Tasks

要約

因果モデリングは、世界との相互作用を支配するデータ生成プロセスを理解する能力を自律エージェントに提供する大きな可能性をもたらします。
このようなモデルは、形式的な知識だけでなく、現実世界の環境で自律ロボットが通常遭遇するノイズや不確実性の確率的表現も捕捉します。
したがって、因果関係は自律エージェントが意思決定を行い、結果を説明するのに役立ちますが、そのような方法で因果関係を展開すると、新たな課題が生じます。
ここでは、岩塩鉱山で稼働するドローン システムの文脈における因果関係に関連する課題を特定します。
このような環境は、交絡因子の存在、非定常性、および事前に完全な因果モデルを構築することが難しいため、自律エージェントにとって困難です。
これらの問題に対処するために、我々は、因果関係に基づいた POMDP 計画、オンライン SCM 適応、事後の反事実説明から構成される確率的因果フレームワークを提案します。
さらに、模擬鉱山環境および現実世界の鉱山データセット上でドローン システムと統合されたフレームワークを評価するために計画された実験の概要を説明します。

要約(オリジナル)

Causal modelling offers great potential to provide autonomous agents the ability to understand the data-generation process that governs their interactions with the world. Such models capture formal knowledge as well as probabilistic representations of noise and uncertainty typically encountered by autonomous robots in real-world environments. Thus, causality can aid autonomous agents in making decisions and explaining outcomes, but deploying causality in such a manner introduces new challenges. Here we identify challenges relating to causality in the context of a drone system operating in a salt mine. Such environments are challenging for autonomous agents because of the presence of confounders, non-stationarity, and a difficulty in building complete causal models ahead of time. To address these issues, we propose a probabilistic causal framework consisting of: causally-informed POMDP planning, online SCM adaptation, and post-hoc counterfactual explanations. Further, we outline planned experimentation to evaluate the framework integrated with a drone system in simulated mine environments and on a real-world mine dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google