Learning Low-Level Causal Relations using a Simulated Robotic Arm

要約

因果学習により、人間は既知の環境に対する自分の行動の影響を予測し、この知識を使用してより複雑な行動の実行を計画することができます。
このような知識は環境の動作も捕捉し、その分析や動作の背後にある推論に使用できます。
この種の知識は、常識を備えたインテリジェント ロボット システムの設計にも重要です。
この論文では、2 つの感覚運動タスクに関与するシミュレートされたロボット アームによって生成されたデータに基づいて順モデルと逆モデルを学習することにより、因果関係を研究します。
次のステップとして、フォワード モデルの解析のための特徴帰属手法を調査します。これにより、腕の関節と環境特徴の両方に関連する状態ベクトルの個々の特徴に対応する低レベルの因果効果が明らかになります。
このタイプの分析は、状態表現の次元削減と、より高いレベルでの因果関係の説明可能性に向けた知識の集約のための強固な基盤を提供します。

要約(オリジナル)

Causal learning allows humans to predict the effect of their actions on the known environment and use this knowledge to plan the execution of more complex actions. Such knowledge also captures the behaviour of the environment and can be used for its analysis and the reasoning behind the behaviour. This type of knowledge is also crucial in the design of intelligent robotic systems with common sense. In this paper, we study causal relations by learning the forward and inverse models based on data generated by a simulated robotic arm involved in two sensorimotor tasks. As a next step, we investigate feature attribution methods for the analysis of the forward model, which reveals the low-level causal effects corresponding to individual features of the state vector related to both the arm joints and the environment features. This type of analysis provides solid ground for dimensionality reduction of the state representations, as well as for the aggregation of knowledge towards the explainability of causal effects at higher levels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google