Physics-Based Causal Reasoning for Safe & Robust Next-Best Action Selection in Robot Manipulation Tasks

安全高效的物体操作是许多实际机器人应用的关键因素。但是，由于机器人操作必须对各种传感器和执行器不确定性具有鲁棒性，因此这是具有挑战性的。本文提出了一种基于物理知识和因果推理的框架，用于机器人在部分可观测情况下对候选动作进行概率推理，以实现块堆叠任务的安全操作。我们将刚体系统动力学的基于物理学的模拟与因果贝叶斯网络（CBN）形式化相结合，定义了机器人决策过程的因果生成概率模型。通过基于模拟的蒙特卡罗实验，我们展示了我们的框架能够成功地：（1）高精度地预测块塔的稳定性（预测准确率：88.6%）；（2）为块堆叠任务选择一个近似的最佳下一步动作，以供集成机器人系统执行，实现94.2%的任务成功率。我们还通过展示与感知和操作子系统集成的家庭支持机器人的成功任务执行，证明了我们的框架适用于实际机器人系统。因此，我们展示了通过将基于物理的因果推理嵌入机器人的决策过程中，可以使机器人任务执行更加安全、可靠，并且更能够应对各种类型的不确定性。

本论文旨在解决机器人操作中的物体操纵问题，提出了一个基于因果推断的物理信息框架，以部分可观察的情况下的块堆叠任务为例子。

论文提出了将基于物理模拟的因果贝叶斯网络与机器人决策过程的因果生成概率模型相结合的方法，以提高机器人的任务执行安全性、可靠性和鲁棒性。

论文通过模拟实验展示了该框架的高准确性和成功率，并通过与实际机器人系统的集成测试证明了其适用性。

近期的相关研究包括《基于深度强化学习的机器人物体操纵技能学习》、《机器人在物体操纵中的视觉感知与控制》等。