自律移動ロボットのための実用的因果推論フレームワーク：シミュレーションから実世界の人間環境へ

- 移動ロボットが事象の「なぜ」を推論し安全・効率的に意思決定するための causal inference の実用フレームワーク - simulation で学習した causal relations を、最小限の労力で real world へ転移することを狙う - 人間が共存する環境での即時運用を想定し、onboard で動作する - 高レベルの causal structure は不変に保ち、causal model parameters のみを更新する設計

- 従来は real world、特に人間がいる環境での causal data 収集が困難で、学習に時間がかかる点が障壁だった - 本研究は simulation 学習済みの causal relations を転移対象とし、real world での学習コストを大幅に削減 - 高レベルの causal structure を保持しつつ parameters のみ更新する点が、ゼロから学習する手法との違い - non-causal baselines と比較して、複雑な人間共存シナリオでの navigation 成功率・安全性で大きく上回ると報告

- simulation で獲得した invariant な high-level causal structure を維持 - real world では限られた新規観測のみで causal model parameters を更新 - この parameter update により sim-to-real transfer を迅速化 - フレームワークは mobile robot 上で効率的に onboard 実行される

- 限られた real-world 観測による parameter update が迅速な sim-to-real transfer を可能にすることを実証的に示す - 複雑で人間が共有するシナリオでの navigation において、non-causal baselines を大きく上回る成功率・安全性を確認 - 詳細な実験設定・データセット・評価指標は要旨からは不明

- 高レベルの causal structure を固定することが転移を容易にする一方、構造自体の妥当性や限界については要旨からは不明 - 必要とする新規観測の量や、どの程度の環境変化まで対応できるかは要旨からは不明 - 安全性・成功率以外の評価軸や失敗事例については要旨からは不明

- 要旨で参照・比較されている non-causal baselines に関する研究 - causal inference を用いたロボット意思決定の先行研究 - sim-to-real transfer に関する一般的な手法（domain randomization など） - 人間共存環境での mobile robot navigation の安全性研究