Causal Discovery of Dynamic Models for Predicting Human Spatial Interactions

要約

倉庫、ショッピングセンター、病院など、人間が共有する環境での活動にロボットを利用するには、そのようなロボットが近くのエージェントとオブジェクト間の基本的な物理的相互作用を理解する必要があります。
特に、後者の間の因果関係をモデル化することは、観察されていない人間の行動を予測し、特定のロボット介入の結果を予測するのに役立ちます。
この論文では、環境と相互作用する人間と障害物と相互作用する人間の 2 つの可能なシナリオで、現実世界のセンサー データから人間の行動を理解しようとして、人間とロボットの空間相互作用をモデル化するための因果関係発見手法の適用を提案します。
新しい方法と実用的なソリューションが議論され、多くのサービス ロボット シナリオでの潜在的なアプリケーションを使用して、いくつかの困難な人間環境で最先端の因果関係発見アルゴリズムを初めて活用することができます。
実世界のデータセットから得られた因果モデルの有用性を実証するために、因果予測アプローチと非因果予測アプローチの比較を示します。
私たちの結果は、因果モデルが考慮されたシナリオの根底にある相互作用を正しく捉え、その予測精度を向上させることを示しています。

要約(オリジナル)

Exploiting robots for activities in human-shared environments, whether warehouses, shopping centres or hospitals, calls for such robots to understand the underlying physical interactions between nearby agents and objects. In particular, modelling cause-and-effect relations between the latter can help to predict unobserved human behaviours and anticipate the outcome of specific robot interventions. In this paper, we propose an application of causal discovery methods to model human-robot spatial interactions, trying to understand human behaviours from real-world sensor data in two possible scenarios: humans interacting with the environment, and humans interacting with obstacles. New methods and practical solutions are discussed to exploit, for the first time, a state-of-the-art causal discovery algorithm in some challenging human environments, with potential application in many service robotics scenarios. To demonstrate the utility of the causal models obtained from real-world datasets, we present a comparison between causal and non-causal prediction approaches. Our results show that the causal model correctly captures the underlying interactions of the considered scenarios and improves its prediction accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google