Efficient Causal Discovery for Robotics Applications

要約

倉庫、ショッピングセンター、病院など人間と共有する環境でロボットを使用してタスクを自動化するには、これらのロボットが近くのエージェントや物体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。
具体的には、これらの要素間の因果関係を表すモデルを作成すると、予期しない人間の行動を予測したり、特定のロボットの動作の結果を予測したりするのに役立ちます。
ロボットに適しているためには、因果関係分析が高速かつ正確であり、リアルタイムの要求と、ほとんどのロボット アプリケーションで一般的な限られた計算リソースを満たす必要があります。
この論文では、Filtered~PCMCI~(F-PCMCI)として知られる、高速かつ正確な因果分析のためのアプローチの実際的なデモンストレーションを、実際のロボット工学アプリケーションとともに紹介します。
提供されたアプリケーションは、F-PCMCI が人間とロボットのインタラクション シナリオの因果モデルをどのように正確かつ迅速に再構築し、インタラクションの品質を向上させるために活用できるかを示しています。

要約(オリジナル)

Using robots for automating tasks in environments shared with humans, such as warehouses, shopping centres, or hospitals, requires these robots to comprehend the fundamental physical interactions among nearby agents and objects. Specifically, creating models to represent cause-and-effect relationships among these elements can aid in predicting unforeseen human behaviours and anticipate the outcome of particular robot actions. To be suitable for robots, causal analysis must be both fast and accurate, meeting real-time demands and the limited computational resources typical in most robotics applications. In this paper, we present a practical demonstration of our approach for fast and accurate causal analysis, known as Filtered~PCMCI~(F-PCMCI), along with a real-world robotics application. The provided application illustrates how our F-PCMCI can accurately and promptly reconstruct the causal model of a human-robot interaction scenario, which can then be leveraged to enhance the quality of the interaction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google