A Reactive Redistribution Mechanism for STL Tasks in Multi-Agent Systems Under Time-Varying Communication
KTH Royal Institute of Technology（皇家理工学院）；Eindhoven University of Technology（埃因霍温理工大学）；ETH Zürich（苏黎世联邦理工学院）
提出一种通信感知的任务分解框架，通过图转移系统处理析取STL规范，并引入再分配机制应对时变通信网络，实现动态任务重分配，在Crazyflie无人机群上验证了可扩展性。
2026-06-12 cs.SY eess.SY
Lipschitz Continuity of Signal Temporal Logic Robustness Measures: Synthesizing Control Barrier Functions from One Expert Demonstration
本文提出一种从单次专家演示构造控制障碍函数的方法，利用信号时序逻辑鲁棒性度量的Lipschitz连续性合成时变CBF，通过过滤控制输入确保系统轨迹满足规约，并在Robotarium上验证了有效性。
2023-04-07 cs.SY eess.SY
Reactive and human-in-the-loop planning and control of multi-robot systems under LTL specifications in dynamic environments
Oxford University（牛津大学）；Bosch（博世）；KTH（瑞典皇家理工学院）
针对动态环境下满足 LTL 规范的多机器人系统，提出通信式在线冲突消解与无通信模型预测避碰方法，并设计人在回路混合主动控制器以保证安全与任务满足。
2023-07-12 cs.RO cs.SY eess.SY
Mode-Target Games: Reactive Synthesis for Control Applications
本文提出了一类线性时序逻辑（LTL）规范，可在多项式时间内合成控制器。该规范称为模式-目标（MT），受控制应用中多种模式及其对应目标的启发。将合成 enforcing MT 规范的控制器问题建模为游戏，并提供一个需要 O(∑i ti n²) 符号步骤的算法。
2016-12-17 cs.GT cs.LO cs.SY
Dynamic Hierarchical Reactive Controller Synthesis
Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
本文提出利用分层结构提升反应控制器合成的可扩展性，通过局部游戏分解大规模合成问题，并动态更新策略以满足多层交互需求。
2016-02-15 cs.SY eess.SY
Policy Verification in Stochastic Dynamical Systems Using Logarithmic Neural Certificates
University of Oxford, Oxford, United Kingdom（牛津大学）；Radboud University, Nijmegen, the Netherlands（拉德博德大学）；Lund University, Lund, Sweden（隆德大学）；University of Copenhagen, Copenhagen, Denmark（哥本哈根大学）；Ruhr-University Bochum, Bochum, Germany（波鸿鲁尔大学）
本文针对离散时间随机系统中神经网络策略的到达-避障规范验证问题，提出对数RASM和基于加权范数的紧致Lipschitz常数上界计算方法，显著降低Lipschitz常数，从而能够验证满足概率高达99.9999%的规范。
2025-07-18 cs.LG cs.SY eess.SY
sweap: Reactive Synthesis for Infinite-State Integer Problems
Dedaub；TU Wien, Institute of Computer Engineering（维也纳工业大学计算机工程研究所）；University of Gothenburg and Chalmers University of Technology（哥德堡大学与查尔姆斯理工大学）
sweap通过CEGAR方法实现无限状态线性整数算术反应系统合成，支持多种输入形式，具备新型双抽象方法和优化技术，实验表明其性能优于竞争对手。
2026-05-12 cs.FL cs.LO cs.SY
Integrating active sensing into reactive synthesis with temporal logic constraints under partial observations
University of Pennsylvania（宾夕法尼亚大学）
本文提出在部分可观测和动态环境中，利用感知动作进行在线反应规划，通过主动感知策略减少不确定性，确保时序逻辑规范以概率1满足。
2014-10-01 cs.AI cs.RO cs.SY
Assured Neural Network Architectures for Control and Identification of Nonlinear Systems
University of California, Irvine（加州大学欧文分校）
在本文中，我们考虑了自动设计整流线性单元（ReLU）神经网络（NN）架构（层数和每层神经元数量）的问题，并确保它被充分参数化以控制非线性系统;即控制系统以满足给定的形式规范。这与当前技术不同，当前技术不提供对结果架构的保证。此外，我们的方法只需要有限的知识的基础非线性系统和规范。我们只假设一个已知Lipschitz常数界的Lipschitz连续控制器可以满足该规范，具体的控制器不需要知道。从这个假设，我们绑定的仿射函数的数量需要构建一个连续分段仿射（CPWA）函数，可以近似任何满足规范的Lipschitz连续控制器。然后，我们连接这个CPWA的NN架构，使用作者最近的两级格（TLL）NN架构的结果; TLL架构被证明是参数化的CPWA函数中存在的仿射函数的数量，它实现。
2021-09-21 cs.LG cs.SY eess.SY
LTL Reactive Synthesis with a Few Hints
我们研究了一个变种的问题，合成Mealy机，执行LTL规格对所有可能的行为的环境，包括敌对的。在这里研究的变体中，用户提供了系统的高级LTL规范，以设计，以及解决方案必须产生的一组执行示例E。我们的合成算法分为两个阶段。首先，它使用自动机学习算法的定制扩展来概括沿着示例E采取的决策。这个阶段概括了E中用户提供的示例，同时保留了可实现性。其次，该算法将学习阶段得到的（通常）不完全Mealy机转化为完全Mealy机，从而实现了并行学习。这些例子被用来指导合成过程。我们提供了一个完整的结果，表明我们的程序可以学习任何Mealy机M，实现了一个小的（多项式）集的例子。我们还表明，我们的问题，推广经典的LTL合成问题（即当E = { \emptyset }），匹配其最坏情况下的复杂性。从E学习的额外成本在E的大小和实现可扩展性的解决方案的符号表示的大小上是偶数多项式。该符号表示是由在Acacia-Bonzai中实现的合成算法在解决普通LTL合成问题时计算的。我们说明了我们的方法的一组例子的实际利益。
2023-01-25 cs.FL cs.GT cs.LO
Abstraction-Based Output-Feedback Control with State-Based Specifications
针对线性时间时序逻辑中基于状态谓词的规范，研究了非线性动力系统基于抽象的输出反馈控制器设计问题。在这种情况下，我们的贡献是双重的：（I）我们概括的反馈细化关系抽象为基础的输出反馈控制系统的任意谓词和观察地图，及（II）我们引入了一个新的算法的抽象输出反馈控制器的合成w.r.t.基于不可观测状态的谓词的LTL规范。我们的抽象为基础的输出反馈控制器综合算法包括两个步骤。首先，我们使用现有的技术计算一个有限的原始系统的状态抽象。这个过程通常会导致一个抽象的系统，不确定的谓词和观察图，不一定相互关联。其次，我们介绍了一种算法来计算这样的抽象系统的输出反馈控制器。我们的算法的灵感来自部分观测下的反应合成，并利用有界合成。
2021-04-22 cs.SY eess.SY
On Specifications and Proofs of Timed Circuits
给定一个离散状态的连续时间无功系统，如数字电路，经典的方法是首先将其建模为状态转移系统，然后证明其性质。我们的贡献提倡一种不同的方法：直接对此类系统的输入-输出行为进行操作，而不首先识别状态及其转换。我们讨论了这种方法的好处，在手的一些例子，这表明它很好地集成了自稳定和容错的概念。我们还阐述了一些意想不到的文物模块组成在我们的框架，并得出结论，一些开放的研究问题。
2022-08-17 cs.DC cs.SY eess.SY
Abstractions and sensor design in partial-information, reactive controller synthesis
University of Delaware（特拉华大学）；Max Planck Institute for Software Systems（马克斯·普朗克软件研究所）；University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种抽象方法，用于处理部分观察系统的反应控制器合成，通过识别必要的传感模态来解决感知限制问题，并通过插值技术改进模型和传感器设计。
2014-05-18 cs.SY eess.SY
Decentralized Safe Reinforcement Learning for Voltage Control
基于逆变器的分布式能源通过快速调节其无功功率为快速时标电压控制提供了可能性。电力电子接口允许这些资源实现几乎任意的控制律，但设计这些分散控制器是不平凡的。强化学习（RL）方法越来越受欢迎，用于搜索由神经网络参数化的策略。然而，很难强制执行学习控制器是安全的，因为它们可能会将不稳定性引入系统。提出了一种电压控制的安全学习方法。我们证明了系统是指数稳定的，如果每个控制器满足一定的Lipschitz约束。优化了Lipschitz界集，扩大了神经网络控制器的搜索空间。我们显式设计神经网络控制器的结构，使它们通过设计满足Lipschitz约束。构建了一个分散的强化学习框架，用于在无模型设置中训练每条总线上的局部神经网络控制器。
2021-10-03 cs.SY eess.SY
Reactive Temporal Logic-based Planning and Control for Interactive Robotic Tasks
University of Pennsylvania（宾夕法尼亚大学）；University of Southern California（南加州大学）
本文提出一种模块化控制架构，将反应式时序逻辑任务规划与基于动力系统的运动规划相结合，并利用控制李雅普诺夫函数和控制屏障函数，使Franka机器人在人机交互擦拭任务中兼具形式化安全保证与在线适应能力。
2024-04-30 cs.RO cs.SY eess.SY
An MILP Approach for Real-time Optimal Controller Synthesis with Metric Temporal Logic Specifications
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文提出一种混合整数线性规划方法，用于在动态环境中实时合成满足度量时序逻辑规范的控制器，通过优化性能指标确保系统行为正确。
2016-03-08 cs.RO cs.SY eess.SY
An Iterative Abstraction Algorithm for Reactive Correct-by-Construction Controller Synthesis
KTH Royal Institute of Technology（皇家理工学院）；California Institute of Technology（加州理工学院）
本文提出一种新的抽象算法，通过生成下界和上界有限转移系统来改进控制器综合方法，并通过数值示例展示其效率。
2015-09-14 cs.SY eess.SY
Model Predictive Control for Signal Temporal Logic Specifications with Time Interval Decomposition
本文研究了动态系统的模型预测控制（MPC）问题，其高阶指标由信号时序逻辑（STL）公式描述。最近的工作表明，MPC在处理反应式环境中的逻辑任务有很大的潜力。然而，现有的方法遭受沉重的计算负担，特别是对于具有大视野的任务。在这项工作中，我们提出了一个计算更有效的MPC框架STL任务的基础上时间间隔分解。具体来说，我们仍然使用标准的收缩时域MPC框架和混合线性规划（MILP）技术来解决开环优化问题。然而，而不是直接应用MPC的整个任务范围，我们分解的STL公式成几个子公式与不相交的时间范围，并收缩地平线MPC适用于每个短期子公式迭代。为了保证整个STL公式的满足性和迭代过程的递归可行性，我们引入了新的终端约束来连接每个子公式。我们展示了如何通过一个有效的内部近似方法计算这些终端约束。我们的方法的计算效率说明了一个案例研究。
2022-11-15 cs.FL cs.SY eess.SY
Counter-example Guided Learning of Bounds on Environment Behavior
California Institute of Technology（加州理工学院）
人们对构建与复杂环境交互的自主系统越来越感兴趣。与获得这种环境的准确模型相关的困难对评估和保证系统性能的任务提出了挑战。我们提出了一个数据驱动的解决方案，允许一个系统进行评估规范的一致性，没有一个准确的环境模型。我们的方法包括学习一个保守的反应范围的环境的行为，使用数据和规范的系统的期望行为。首先，该方法首先学习一个保守的反应约束的环境的行动，捕捉其可能的行为与高概率。这个界限然后被用来帮助验证，如果验证在这个界限下失败，算法返回反例来显示失败是如何发生的，然后使用这些来细化界限。我们通过两个案例研究证明了该方法的适用性：i）验证玩具多机器人系统的控制器，以及ii）在给定真实世界人类驾驶数据的情况下，在变道机动过程中验证人机交互的实例。
2020-02-06 cs.LG cs.RO cs.SY
Distributionally Robust Control for Chance-Constrained Signal Temporal Logic Specifications
针对未知扰动下随机线性系统的 STL 机会约束控制，提出基于 Wasserstein 度量的分布鲁棒优化方法，并证明可保证用户指定置信水平。
2024-09-05 cs.SY eess.SY math.OC
Co-design of Control and Planning for Multi-rotor UAVs with Signal Temporal Logic Specifications
University of California, Berkeley（加利福尼亚大学伯克利分校）
城市空中机动性（UAM），或多个有人和无人驾驶飞行器（UAV）在城市空域执行各种任务的场景，是一个日益突出的未来交通概念。具有复杂的空间，时间和反应需求的UAM任务可以使用信号时序逻辑（STL），一种行为规范语言简洁地表示。然而，STL规范的系统规划和控制是计算密集型的，通常导致规划方法不能保证动态可行性，或控制方法不能处理复杂的STL规范。在这里，我们提出了一种方法来共同设计的规划和控制，使一个给定的STL规范（可能在多个无人机）是满意的动态可行的轨迹，我们的控制器可以跟踪他们与有界的跟踪误差，规划占。针对无人机的非线性动力学特性，设计了跟踪控制器，并在轨迹满足一定运动学约束条件时，计算了该控制器的跟踪误差界。我们还增加了现有的多无人机STL为基础的轨迹生成器，以生成满足这些约束的轨迹。我们表明，这种协同设计允许的轨迹，满足给定的STL规范，也是动态可行的意义上，他们可以跟踪有界误差。通过多无人机任务的仿真验证了该方法的适用性。
2020-09-30 cs.MA cs.RO cs.SY
Correct-by-synthesis reinforcement learning with temporal logic constraints
University of Pennsylvania（宾夕法尼亚大学）；University of Bremen（不来梅大学）；DFKI GmbH（德国人工智能研究中心）
本文提出一种通过时序逻辑约束的正确性合成强化学习方法，结合最大许可策略和maximin-Q学习算法，实现系统满足规格的同时优化未知性能指标。
2015-03-05 cs.GT cs.LG cs.LO
Conformal Data-driven Control of Stochastic Multi-Agent Systems under Collaborative Signal Temporal Logic Specifications
针对随机离散时间线性多智能体系统的联合机会约束协同信号时序逻辑规范控制问题，提出无分布保形数据驱动方法，通过分解系统、设计反馈控制器、量化预测区域及分布式优化，实现可扩展的控制策略。
2025-08-25 cs.MA cs.SY eess.SY
