時相論理プランニング2025/5/1arXiv:2505.00562

TeLoGraF: グラフ符号化フローマッチングによる時相論理プランニング

TeLoGraF: Temporal Logic Planning via Graph-encoded Flow Matching

信号時相論理(STL)仕様を満たす行動を、グラフニューラルネットとフローマッチングで学習する手法を提案し、20万件のSTLデータセットで訓練してロボットアームや四足歩行のナビゲーションなどで従来法より高速・高成功率を達成した。

詳しい要約

1. どんなもの？

- 信号時相論理 (STL) 仕様を満たす計画を学習する手法 TeLoGraF の提案 - Graph Neural Networks (GNN) encoder と flow-matching を組み合わせ、一般的な STL 仕様に対する解を学習 - 4種類の頻用 STL template を特定し、計 200K の仕様と paired demonstration を収集 - 2D の単純力学モデルから 7DoF Franka Panda ロボットアーム、Ant quadruped navigation まで5つの simulation 環境で評価

2. 先行研究と比べてどこがすごい？

- 従来研究は多様な STL dataset と時相論理情報を抽出する encoder の不足から、固定またはパラメータ化された STL 仕様のみを扱っていた - 本研究は一般的な STL 仕様を対象に学習可能にした点が異なる - 古典的 STL planning アルゴリズムと比べ推論が 10-100X 高速で、任意の system dynamics に適用可能 - STL satisfaction rate で他の baseline を上回る

3. 技術・手法の肝は？

- GNN encoder により STL 仕様の時相論理情報をグラフ表現として抽出 - flow-matching を用いて STL 仕様に対応する解(計画)を学習 - 4種類の STL template に基づき 200K の仕様と paired demonstration を収集し学習に利用 - 詳細な architecture や学習手順は要旨からは不明

4. どうやって有効だと検証した？

- 5つの simulation 環境(2D の単純力学モデル、7DoF Franka Panda ロボットアーム、Ant quadruped navigation など)で実験 - STL satisfaction rate で他の baseline と比較し優位性を確認 - 古典的 STL planning アルゴリズムとの推論速度比較(10-100X 高速) - graph-encoding が複雑な STL を解けること、out-distribution STL 仕様への robustness を示した

5. 議論はある？

- 推論速度と任意 system dynamics への適用性、out-distribution への robustness を主張 - ただし 4種類の STL template に限定した dataset 収集であり、template 外の STL への一般化は要旨からは不明 - 実機実験の有無や sim-to-real の議論は要旨からは不明 - baseline の詳細や定量結果の数値は要旨からは不明

6. 次に読むべき論文は？

- 古典的 STL planning アルゴリズム(関連比較対象) - flow-matching を用いた planning/制御の関連研究 - GNN による時相論理/仕様エンコーディングの関連研究 - STL を用いたロボット学習の既存研究(固定・パラメータ化 STL を扱うもの)

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yue Meng, Chuchu Fan

分類: cs.RO, cs.AI, cs.FL, cs.LG

原文アブストラクト

Learning to solve complex tasks with signal temporal logic (STL) specifications is crucial to many real-world applications. However, most previous works only consider fixed or parametrized STL specifications due to the lack of a diverse STL dataset and encoders to effectively extract temporal logic information for downstream tasks. In this paper, we propose TeLoGraF, Temporal Logic Graph-encoded Flow, which utilizes Graph Neural Networks (GNN) encoder and flow-matching to learn solutions for general STL specifications. We identify four commonly used STL templates and collect a total of 200K specifications with paired demonstrations. We conduct extensive experiments in five simulation environments ranging from simple dynamical models in the 2D space to high-dimensional 7DoF Franka Panda robot arm and Ant quadruped navigation. Results show that our method outperforms other baselines in the STL satisfaction rate. Compared to classical STL planning algorithms, our approach is 10-100X faster in inference and can work on any system dynamics. Besides, we show our graph-encoding method's capability to solve complex STLs and robustness to out-distribution STL specifications. Code is available at https://github.com/mengyuest/TeLoGraF

arXivで原文を読む →arXiv概要ページ

TeLoGraF: グラフ符号化フローマッチングによる時相論理プランニング

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

FRONTIER（GPU搭載BTOパソコン）

双腕モバイルマニピュレーター OpenShell