Extending Structural Causal Models for Use in Autonomous Embodied Systems

在许多领域已经开展了大量工作来开发因果推理技术，然而在自主系统中利用因果关系仍处于萌芽阶段。通过使用结构因果模型（SCMs）等表示形式，自主系统将大大受益于因果关系的整合。该系统将获得更高级别的透明度，能够解释结果，有助于外生变量的在线推断。这些特性对自主系统直接有益，或者是建立公众信任和制定监管的有价值的一步。为此，我们提出了一个案例研究，描述了一个由SCMs组成的模块化自主驾驶系统。处理这个任务需要考虑到许多挑战，因为这是一个庞大而复杂的系统，必须长时间自主运行。在这里，我们描述了这些挑战，并提出了解决方案。其中第一个是SCM上下文，其余三个是基于函数编程单子的新变量类别。最后，我们通过展示自主驾驶系统的因果能力的一个示例应用来总结。在这个例子中，我们旨在归因于在一个假想的道路碰撞事件中的车辆代理之间的过失责任。

论文试图探讨如何将因果关系集成到自主系统中，解决自主系统面临的透明度、解释性和推理问题。

利用结构因果模型（SCMs）来提高自主系统的透明度和解释性，解决推理问题。

论文通过一个基于SCMs的自主驾驶系统的案例研究，描述了如何解决处理复杂系统的挑战。论文提出了SCM上下文和三种新的变量类别的解决方案，同时展示了自主驾驶系统的因果能力在道路碰撞事件中的应用。

最近的相关研究主要集中在因果推理技术的应用和发展上，例如因果发现和因果推断。