这篇综述文章由 Rebeca Marfil 等三位作者撰写，于 2026 年 10 月 23 日提交至 arXiv，属于机器人学（cs.RO）分类，篇幅约 20 页，其期刊版本已于 2024 年发表在 MDPI 旗下的《Electronics》期刊上。文章聚焦于一个近年来在自主机器人领域日益受到关注的问题：尽管深度学习及其硬件实现已经赋予机器人非凡的感知能力，而自动规划技术的进步也让机器人能够自主解决复杂任务，但在许多情况下，机器人仍然只是在行动，却没有真正内化并理解某次感知或某个动作背后的原因，其行为往往只是对当前情境状态的一种即时反应。
作者指出，这种“知其然而不知其所以然”的差距会带来一系列实际限制，直接影响机器人的性能、可靠性和可信度。仅靠深度学习无法弥合这一差距，原因在于：当行为源自一个将世界视为黑箱的模型时，行为背后的理由本身是不可访问的。因此，真正需要的是一种以更深层推理为基础的基础架构。这样的架构应当能够支持机器人生成解释，让人们了解机器人为什么正在执行或已经执行了某个动作，或者某个规划失败、某次感知异常可能是由哪些原因造成的。
文章进一步提出，当这些解释产生于认知过程，并与人类共享、从而得到验证之后，机器人应当能够把这些解释纳入自身的知识库，并利用这种理解来改进未来的行为。换句话说，解释不只是事后说明，而应成为机器人自我扩展与持续学习的组成部分。综述正是围绕这一思路，考察了近年来在具有自我意识和自我演化能力的机器人方面取得的研究进展。这类机器人被设计为能够向人类对应方提供必要的解释，从而增强自身功能能力，并在此过程中努力赢得人类的信任。
从研究定位上看，这篇综述连接了可解释人工智能、因果推理、认知机器人和自动规划等多个方向，强调解释与学习之间的闭环关系。文章所讨论的核心问题并非单纯提升感知或规划精度，而是如何让机器人具备可被人类理解和检验的推理结构，使解释能够被共享、验证并反馈到知识库中，最终形成更可靠、更值得信赖的自主系统。对于关注机器人可信性、人机协作以及自我演化系统设计的研究者和工程人员而言，这篇综述提供了一个将因果方法、解释生成与自我扩展学习结合起来讨论的框架性参考。