論文の概要: Learning Causal Structure Distributions for Robust Planning

• arxiv url: http://arxiv.org/abs/2508.06742v1
• Date: Fri, 08 Aug 2025 22:43:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.528043
• Title: Learning Causal Structure Distributions for Robust Planning
• Title（参考訳）: ロバスト計画のための因果構造分布の学習
• Authors: Alejandro Murillo-Gonzalez, Junhong Xu, Lantao Liu,
• Abstract要約: 構造情報の不確実性を考慮しながら,機能的関係を学習することで,より堅牢な力学モデルがもたらされることがわかった。 これは、因果構造を無視し、ロボットシステムにおける相互作用の空間性を活用するのに失敗する一般的なモデル学習手法とは対照的である。 本稿では,本モデルを用いてロボットの力学を学習し,新しい環境下での新たな作業を行うためのサンプリング・ベース・プランナーを併用することを提案する。
• 参考スコア（独自算出の注目度）: 53.753366558072806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structural causal models describe how the components of a robotic system interact. They provide both structural and functional information about the relationships that are present in the system. The structural information outlines the variables among which there is interaction. The functional information describes how such interactions work, via equations or learned models. In this paper we find that learning the functional relationships while accounting for the uncertainty about the structural information leads to more robust dynamics models which improves downstream planning, while using significantly lower computational resources. This in contrast with common model-learning methods that ignore the causal structure and fail to leverage the sparsity of interactions in robotic systems. We achieve this by estimating a causal structure distribution that is used to sample causal graphs that inform the latent-space representations in an encoder-multidecoder probabilistic model. We show that our model can be used to learn the dynamics of a robot, which together with a sampling-based planner can be used to perform new tasks in novel environments, provided an objective function for the new requirement is available. We validate our method using manipulators and mobile robots in both simulation and the real-world. Additionally, we validate the learned dynamics' adaptability and increased robustness to corrupted inputs and changes in the environment, which is highly desirable in challenging real-world robotics scenarios. Video: https://youtu.be/X6k5t7OOnNc.
• Abstract（参考訳）: 構造因果モデルは、ロボットシステムのコンポーネントがどのように相互作用するかを記述する。 システムに存在する関係に関する構造的情報と機能的情報の両方を提供する。 構造情報は相互作用が存在する変数を概説する。 機能情報は、方程式や学習されたモデルを通して、そのような相互作用がどのように機能するかを記述する。 本稿では,構造情報の不確実性を考慮した関数関係の学習により,より堅牢な動的モデルが実現され,より低い計算資源を使用しながら,下流計画の改善が期待できることを示す。 これは、因果構造を無視し、ロボットシステムにおける相互作用の空間性を活用するのに失敗する一般的なモデル学習手法とは対照的である。 本研究では,エンコーダ・マルチデシドコーダ確率モデルにおいて,潜在空間表現を伝達する因果グラフのサンプリングに使用される因果構造分布を推定することにより,これを実現する。 本稿では,本モデルを用いてロボットの動的動作を学習し,新しい環境において新たなタスクを実行するためのサンプリングベースプランナーと組み合わせることで,新たな要件を満たすための目的関数を実現できることを示す。 本手法は,シミュレーションと実世界の両方において,マニピュレータと移動ロボットを用いて検証する。 さらに,学習したダイナミックスの適応性と,劣化した入力や環境の変化に対する堅牢性の向上を検証した。 ビデオ: https://youtu.be/X6k5t7OOnNc.com

関連論文リスト

• Action Flow Matching for Continual Robot Learning [57.698553219660376]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• Active Causal Structure Learning with Latent Variables: Towards Learning to Detour in Autonomous Robots [49.1574468325115]
  人工知能(AGI)エージェントとロボットは、絶えず変化する環境やタスクに対処できなければならない。 我々は,潜伏変数(ACSLWL)を用いた能動的因果構造学習がAGIエージェントやロボット構築に必要な要素であると主張している。
  論文  参考訳（メタデータ） (2024-10-28T10:21:26Z)
• Information theory for data-driven model reduction in physics and biology [0.0]
  我々は,関連変数を特定するために,情報ボトルネックに基づく体系的アプローチを開発する。 高圧縮の極限において、関連する変数は、最も遅い遅延固有関数によって直接決定されることを示す。 モデルリダクションを実行する解釈可能なディープラーニングツールを構築するための確固たる基盤を提供する。
  論文  参考訳（メタデータ） (2023-12-11T18:39:05Z)
• PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
  我々は PDSketch という新しいドメイン定義言語を提案する。 これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。 移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
  論文  参考訳（メタデータ） (2023-03-09T18:54:12Z)
• An Entropy-Based Model for Hierarchical Learning [3.1473798197405944]
  実世界のデータセットに共通する特徴は、データドメインがマルチスケールであることである。 本稿では,このマルチスケールデータ構造を利用した学習モデルを提案する。 階層的な学習モデルは、人間の論理的かつ進歩的な学習メカニズムにインスパイアされている。
  論文  参考訳（メタデータ） (2022-12-30T13:14:46Z)
• Sample Efficient Dynamics Learning for Symmetrical Legged Robots:Leveraging Physics Invariance and Geometric Symmetries [14.848950116410231]
  本稿では,基礎となるロボットシステムにおける対称性を利用したダイナミクスの学習手法を提案する。 ベクトル空間における全てのデータを表す既存のフレームワークは、ロボットの構造化情報を考えるのに失敗する。
  論文  参考訳（メタデータ） (2022-10-13T19:57:46Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Structured Prediction for CRiSP Inverse Kinematics Learning with Misspecified Robot Models [39.513301957826435]
  本稿では,データ駆動戦略とフォワードキネマティックス関数を組み合わせた構造化予測アルゴリズムを提案する。 提案手法により、予測された関節構成がロボットの制約内に適切に収まることが保証される。
  論文  参考訳（メタデータ） (2021-02-25T15:39:33Z)
• Learning Predictive Models From Observation and Interaction [137.77887825854768]
  世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。 しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。 本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
  論文  参考訳（メタデータ） (2019-12-30T01:10:41Z)

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。