論文の概要: Learning Low-Level Causal Relations using a Simulated Robotic Arm

• arxiv url: http://arxiv.org/abs/2410.07751v1
• Date: Thu, 10 Oct 2024 09:28:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 15:15:56.721079
• Title: Learning Low-Level Causal Relations using a Simulated Robotic Arm
• Title（参考訳）: 模擬ロボットアームを用いた低レベル因果関係の学習
• Authors: Miroslav Cibula, Matthias Kerzel, Igor Farkaš,
• Abstract要約: 因果学習により、人間の行動が既知の環境に与える影響を予測することができる。 シミュレーションロボットアームによって生成されたデータに基づいて,前方モデルと逆モデルを学ぶことにより因果関係を研究する。
• 参考スコア（独自算出の注目度）: 1.474723404975345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: 因果学習は、人間の行動が既知の環境に与える影響を予測し、この知識を使ってより複雑な行動の実行を計画することができる。 このような知識は環境の振る舞いを捉え、その分析や行動の背後にある推論に利用することができる。 この種の知識は、知的なロボットシステムの設計において、常識を持つ上でも不可欠である。 本稿では,2つの感覚運動に関わるロボットアームが生成するデータに基づいて,前方モデルと逆モデルから因果関係を学習し,因果関係について検討する。 次のステップとして、腕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因果効果を明らかにするフォワードモデルの解析のための特徴属性法について検討する。 この種の分析は、状態表現の次元的還元と、より高いレベルの因果効果の説明可能性への知識の集約のための固い基盤を提供する。

関連論文リスト

• CauSkelNet: Causal Representation Learning for Human Behaviour Analysis [6.880536510094897]
  本研究では,人間の関節動態や複雑な動作をよりよく理解するために,因果推論に基づく表現学習手法を提案する。 我々のアプローチは、人間の動作分析を前進させ、より適応的なインテリジェントヘルスケアソリューションの道を開く。
  論文  参考訳（メタデータ） (2024-09-23T21:38:49Z)
• Causal Reinforcement Learning for Optimisation of Robot Dynamics in Unknown Environments [4.494898338391223]
  本研究は,ロボット操作の高度化に向けた新しい因果強化学習手法を導入する。 提案する機械学習アーキテクチャにより,ロボットは物体の視覚的特徴間の因果関係を学習することができる。
  論文  参考訳（メタデータ） (2024-09-20T11:40:51Z)
• Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
  得られた知識を有向非巡回因果グラフの形で公開することを提案する。 また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。 提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
  論文  参考訳（メタデータ） (2023-09-30T20:59:42Z)
• A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
  本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。 GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。 提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• Causal reasoning in typical computer vision tasks [11.95181390654463]
  因果理論は、データバイアスの影響を受けない本質的な因果構造をモデル化し、突発的な相関を避けるのに有効である。 本稿では,一般的な視覚・視覚言語タスクにおける既存の因果的手法(セグメンテーション,オブジェクト検出,画像キャプションなど)を包括的にレビューすることを目的とする。 今後のロードマップも提案され、因果論の開発と他の複雑なシーンやシステムへの応用が促進される。
  論文  参考訳（メタデータ） (2023-07-26T07:01:57Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Causal Discovery of Dynamic Models for Predicting Human Spatial Interactions [5.742409080817885]
  本稿では,人間とロボットの空間的相互作用をモデル化するための因果探索手法を提案する。 最先端の因果探索アルゴリズムを初めて活用するために、新しい方法と実用的な解決策について議論する。
  論文  参考訳（メタデータ） (2022-10-29T08:56:48Z)
• Data-driven emotional body language generation for social robotics [58.88028813371423]
  社会ロボティクスでは、人間型ロボットに感情の身体的表現を生成する能力を与えることで、人間とロボットの相互作用とコラボレーションを改善することができる。 我々は、手作業で設計されたいくつかの身体表現から学習する深層学習データ駆動フレームワークを実装した。 評価実験の結果, 生成した表現の人間同型とアニマシーは手作りの表現と異なる認識が得られなかった。
  論文  参考訳（メタデータ） (2022-05-02T09:21:39Z)
• Causal versus Marginal Shapley Values for Robotic Lever Manipulation Controlled using Deep Reinforcement Learning [0.0]
  本研究は,ロボットが説明文を生成する際の因果関係について,ドメイン知識を含めることの効果について考察する。 間接的な効果を考慮し、いくつかのドメイン知識を組み込むことで、人間の直感によく一致する説明ができることを示す。
  論文  参考訳（メタデータ） (2021-11-04T15:16:21Z)
• Human-Robot Collaboration and Machine Learning: A Systematic Review of Recent Research [69.48907856390834]
  人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。 本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:14:33Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。