日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

時相論理/不確実性/最適化arXiv:2606.19561

確率微分可能信号時相論理: 確率的システムのためのpdSTL

pdSTL: Probabilistic Differentiable Signal Temporal Logic for Stochastic Systems

シェア:XThreadsFacebookLINEはてブBluesky

不確実な環境で動作するロボットの安全性や複雑な仕様を満たすため、確率意味論と微分可能なロバスト性を統合したpdSTLを提案。LSTM風の展開により線形時間で微分可能な監視を実現し、シミュレーションと実機実験で有効性を実証した。

詳しい要約

1. どんなもの?

- 不確実な環境で動作する自律ロボット向けの新しいフレームワーク - 名称は pdSTL (probabilistic differentiable Signal Temporal Logic) - 確率的意味論と微分可能なロバスト性を belief trajectory 上で統合 - 時間的・安全仕様を確率的に扱い、勾配ベース最適化を可能にする - 対象は stochastic dynamics と sensing noise を持つシステム

2. 先行研究と比べてどこがすごい?

- 既存の STL 拡張は微分可能性を欠くか、belief-space の不確実性を無視 - pdSTL は確率的意味論と微分可能なロバスト性を同時に実現 - 決定論的微分可能 STL と比較して、実世界の不確実性下で安全マージンを大幅に改善 - 形式的確率保証を伴う効率的な最適化を実現

3. 技術・手法の肝は?

- interval-valued probabilistic semantics を採用し、保守的な satisfaction bounds を計算 - STL 構文木を通じて bounds を合成的に伝播 - 時間的ロバスト性評価を LSTM 風の再帰的展開として定式化 - 線形時間で微分可能なモニタリングを実現し、end-to-end 軌道最適化に適用可能

4. どうやって有効だと検証した?

- シミュレーションによる障害物回避と車線変更マニューバで検証 - 実世界の Crazyflie クアッドコプター飛行実験(空力外乱下)で検証 - 決定論的微分可能 STL と比較し、安全マージン維持で有意に優れる結果を確認

5. 議論はある?

- 要旨からは不明(具体的な議論や限界は記述されていない)

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:deterministic differentiable STL - 関連手法:Signal Temporal Logic (STL)、probabilistic semantics、belief-space uncertainty を扱う拡張 - 同分野の定番:robustness measures for STL、gradient-based optimization

※ 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: Bennett Dogbey, Hemanth Manjunatha

分類: cs.RO, cs.SY, eess.SY

原文アブストラクト

Autonomous robots operating in uncertain environments must satisfy complex temporal and safety specifications despite stochastic dynamics and sensing noise. While Signal Temporal Logic (STL) offers robustness measures for gradient-based optimization, existing extensions either lack differentiability or ignore belief-space uncertainty. We introduce pdSTL (probabilistic differentiable Signal Temporal Logic), a framework that unifies probabilistic semantics with differentiable robustness over belief trajectories. pdSTL employs interval-valued probabilistic semantics to compute conservative satisfaction bounds, propagated compositionally through the STL syntax tree. We formulate the temporal robustness evaluation as a recurrent, LSTM-style unfolding of STL operators, enabling linear-time, differentiable monitoring suitable for end-to-end trajectory optimization. We validate pdSTL on simulated obstacle avoidance, lane-change maneuvers, and real-world Crazyflie quadcopter flight experiments under aerodynamic disturbances. Results demonstrate that pdSTL achieves efficient optimization with formal probabilistic guarantees, significantly outperforming deterministic differentiable STL in maintaining safety margins under real-world uncertainty.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI