知覚と計画の橋渡し：Signal Temporal Logicタスクのためのエンドツーエンド計画

- ロボティクスにおける Signal Temporal Logic (STL) 仕様のための task and motion planning 問題を扱う研究。 - 同期された multi-view camera 観測と STL 仕様を直接、実行可能な trajectory に写像する微分可能フレームワーク Structured-MoE STL Planner (S-MSP) を提案。 - STL 制約を unified pipeline に統合し、trajectory reconstruction と STL robustness を組み合わせた composite loss で学習。 - structure-aware な Mixture-of-Experts (MoE) により、sub-task を時間的に固定した embedding に投影して horizon-aware な特化を実現。

- 既存の STL 手法は pre-defined maps や mobility representations に依存し、unstructured な実環境では効果が乏しいと指摘。 - 提案手法は事前地図や移動表現を必要とせず、multi-view camera 観測から直接 trajectory を生成する点が異なる。 - 単一 expert の baselines と比較して STL satisfaction と trajectory feasibility で優位と報告。 - 推論時の rule-based safety filter により、論理的正しさを損なわず物理的実行可能性を改善。

- 微分可能な end-to-end フレームワーク S-MSP を構築し、知覚から計画までを一つの pipeline で接続。 - 入力は同期 multi-view camera 観測と STL 仕様、出力は feasible trajectory。 - composite loss は trajectory reconstruction と STL robustness を組み合わせて学習。 - structure-aware Mixture-of-Experts (MoE) が sub-task を temporally anchored embeddings に投影し、horizon-aware な expert 特化を可能にする。 - 推論時に rule-based safety filter を適用し物理的実行可能性を高める。

- factory-logistics シナリオの high-fidelity simulation を用い、時間制約付きタスクで評価。 - S-MSP が single-expert baselines に対し STL satisfaction と trajectory feasibility で上回ることを実験で示す。 - 推論時の rule-based safety filter が論理的正しさを保ちつつ物理的実行可能性を改善することを確認。

- 評価は high-fidelity simulation の factory-logistics シナリオに限定されており、実機実験や他環境への一般化については要旨からは不明。 - safety filter は推論時に付加される rule-based 手法であり、学習パイプライン自体への統合や end-to-end 性への影響は要旨からは不明。 - MoE の expert 数や構造設計、STL robustness と trajectory reconstruction の loss 重み付けの感度は要旨からは不明。

- 比較対象として言及される single-expert baselines や Mixture-of-Experts (MoE) 関連研究。 - STL 仕様下の planning における既存手法（pre-defined maps や mobility representations を用いる STL ベース手法）。 - task and motion planning の一般的な関連研究。 - 微分可能 planning や end-to-end 知覚・計画統合の関連研究。