Differentially Private Controller Synthesis With Metric Temporal Logic Specifications
Oden Institute for Computational Engineering and Sciences, University of Texas, Austin（奥斯汀德克萨斯大学奥登计算工程与科学研究所）；University of Florida（佛罗里达大学）
隐私是一个重要的问题，在各种多智能体系统中，从代理收集的数据是敏感的。我们提出了一个差分私人控制器合成方法的多智能体系统受到高层次的规格表示度量时序逻辑（MTL）。我们考虑这样一种设置，每个代理通过一组本地集线器将数据发送到云（计算站），云负责计算代理的控制输入。具体地，每个代理添加隐私噪声（例如，高斯噪声）在与本地集线器共享它们之前，在时间上逐点地到其自己的输出。每个本地集线器运行卡尔曼滤波器来估计相应代理的状态，并定期将这种状态估计发送到云。云根据MTL规范计算每个代理的最佳输入。在保证每个代理的差分隐私，控制器也合成，以确保概率保证满足MTL specification.We提供了一个实现所提出的方法的仿真案例研究与两个车轮上的机器人作为代理。
2019-09-29 cs.RO cs.SY eess.SY
Counter-example guided Imitation Learning of Feedback Controllers from Temporal Logic Specifications
Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）；VERIMAG（VERIMAG 实验室）；Decyphir SAS（Decyphir SAS 公司）；IIT Kanpur（印度理工学院坎普尔分校）；Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
本文提出一种基于反例和覆盖率度量引导数据聚合的模仿学习方法，用于训练神经网络模仿由信号时序逻辑（STL）表达的复杂控制器，并引入基于STL参数化和参数估计的性能评估方法，通过飞行机器人案例验证了其有效性。
2024-03-25 cs.RO cs.SY eess.SY
Zonotope-based Symbolic Controller Synthesis for Linear Temporal Logic Specifications
Dalian University of Technology（大连理工大学）；UCLouvain（比利时鲁汶大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出一种基于zonotope的局部到全局控制策略，通过状态空间划分、接受路径验证和迭代符号综合，解决非线性系统在LTL规范下的控制器设计问题。
2024-05-02 cs.RO cs.SY eess.SY
Automated Formation Control Synthesis from Temporal Logic Specifications
Eindhoven University of Technology（埃因霍温理工大学）
本文针对多机器人集群在结构化环境中执行时序逻辑规范任务的问题，提出一种具备安全性与收敛性保证的控制器综合框架，可自主切换编队并应对环境事件，并通过多四旋翼导航仿真验证其有效性。
2023-09-15 cs.RO cs.SY eess.SY
RRT* Based Optimal Trajectory Generation with Linear Temporal Logic Specifications under Kinodynamic Constraints
Centre for Cyber-Physical Systems, IISc（印度科学学院网络物理系统中心）
提出一种基于RRT*的轨迹生成方法，结合LTL鲁棒性度量与运动约束，通过递归成本函数平衡可行性与逻辑正确性，经仿真和实验验证，适用于复杂真实场景。
2024-11-09 cs.RO cs.SY eess.SY
Scalable Integrated Task and Motion Planning from Signal Temporal Logic Specifications
University of Notre Dame（圣母大学）
本文提出了一种可扩展且可证明完整的算法，直接合成连续轨迹以满足非凸的信号时序逻辑规范，通过分离离散任务规划和连续运动规划，并利用高效的求解器找到高维系统中满足非凸STL规范的动态可行轨迹。
2018-10-20 cs.RO cs.SY eess.SY
Verified Compositions of Neural Network Controllers for Temporal Logic Control Objectives
Washington University in St. Louis（圣路易斯华盛顿大学）
本文提出了一种新的方法来设计验证组合的神经网络（NN）控制器的自治系统的线性时序逻辑（LTL）公式捕获的任务。特别是，LTL公式要求系统以时间/逻辑顺序到达和避免某些区域。我们假设系统配备了一组有限的训练神经网络控制器。每个控制器都经过训练，可以将系统驱动到特定的感兴趣区域，同时避开其他区域。我们的目标是检查是否存在训练的NN控制器的时间组成-如果是这样，计算它-这将产生复合系统行为，满足用户指定的LTL任务的任何初始系统状态属于一个给定的集合。为了解决这个问题，我们提出了一种新的方法，依赖于一个新的自动机理论和最近提出的可达性分析工具的NN控制系统的集成。我们注意到，所提出的方法可以适用于其他控制器，不一定由NN建模，通过适当选择的可达性分析工具。我们专注于神经网络控制器，由于其缺乏鲁棒性。所提出的方法被证明对飞行器的导航任务。
2022-09-13 cs.RO cs.SY eess.SY
Safe Reinforcement Learning with Probabilistic Guarantees Satisfying Temporal Logic Specifications in Continuous Action Spaces
Technical University of Munich（慕尼黑工业大学）；California Institute of Technology（加州理工学院）
针对连续动作空间中RL缺乏安全保证的问题，提出“概率验证—RL性能优化—再验证”的三步安全RL流程，并在动态障碍规避任务中验证其可兼顾高效学习与时序逻辑概率安全。
2023-09-28 cs.RO cs.SY eess.SY
Control Synthesis using Signal Temporal Logic Specifications with Integral and Derivative Predicates
University of Minnesota（明尼苏达大学）
在许多应用中，信号的积分和导数携带有价值的信息（例如，在时间窗口上的累积成功、变化率）。在本文中，我们扩展了信号时序逻辑（STL）的表达能力，通过引入谓词，可以定义丰富的属性相关的积分和导数的信号。对于控制合成，新的谓词被编码成混合整数线性不等式，并用于制定一个混合整数线性规划，以找到一个轨迹，满足STL规范。我们讨论了使用新的谓词的好处，并说明他们在一个案例研究中显示的影响，新的谓词上的轨迹的自主机器人。
2021-03-26 cs.RO cs.SY eess.SY
Tractable Reinforcement Learning for Full Class of Signal Temporal Logic Specifications Using Spatiotemporal Tube Reward
Centre for Cyber-Physical Systems, IISc（印度科学研究所网络物理系统中心）
本文提出一种时间感知的强化学习框架，利用时空管几何特性将全类信号时序逻辑规范映射为时变边界，训练软演员-评论家智能体，在满足输入约束下实现无历史、计算高效的连续控制策略。
2026-09-24 cs.RO cs.SY eess.SY
Optimizing an Adaptive Fuzzy Logic Controller of a 3-DOF Helicopter with a Modified PSO Algorithm
Université de Sherbrooke（舍布鲁克大学）；Babol Noshirvani University of Technology（巴博勒诺希尔瓦尼理工大学）
研究了三自由度直升机系统的控制器优化问题。将模糊逻辑与自适应控制理论相结合，对系统进行控制。该系统是广泛的非线性和高度敏感的控制器的参数，使它成为一个真正的挑战，研究这些参数对控制器的性能。使用元启发式算法来确定这些参数是一个很有前途的解决方案。本文提出了一种改进的粒子群优化算法（MPSO）来优化控制器。该算法具有很强的全局搜索能力，能够找到合理的搜索空间。该算法根据粒子适应度函数的大小来调整粒子的搜索空间，并用弱粒子替换新粒子。这些修改导致更好的精度和收敛速度。我们证明了MPSO算法的效率，通过比较它与标准的PSO和其他六个著名的元启发式算法优化时，自适应模糊逻辑控制器的3自由度直升机。通过计算机模拟，证明了该方法在系统存在不确定性和干扰时的有效性。通过比较MPSO和标准PSO优化控制器的结果，证明了该方法的优越性。
2022-05-01 cs.RO cs.SY eess.SY
Co-learning Planning and Control Policies Constrained by Differentiable Logic Specifications
Purdue University（普渡大学）
本文提出协同学习规划与控制策略的强化学习方法，以可微逻辑规范约束高维机器人导航，降低样本复杂度并实现长时域路径生成与策略对齐。
2023-10-02 cs.LG cs.RO cs.SY
Automaton-Guided Control Synthesis for Signal Temporal Logic Specifications
University of Colorado Boulder（科罗拉多大学博尔德分校）
本文提出了一种基于信号时序逻辑（STL）规范的连续动力系统控制综合算法框架。我们提出了一种新的算法，以获得一个时间划分的有限自动机从STL规范，并介绍了一个多层的框架，利用这个自动机引导基于采样的搜索树在空间和时间。我们的方法是能够合成一个控制器的非线性动力学和多项式谓词功能。我们证明了我们的算法的正确性和概率完备性，并说明了我们的框架的效率和有效性的几个案例研究。我们的研究结果显示了一个数量级的加速比最先进的。
2022-10-04 cs.FL cs.RO cs.SY
Safe Planning through Incremental Decomposition of Signal Temporal Logic Specifications
Carnegie Mellon University（卡内基梅隆大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本文提出通过时间分解信号时态逻辑规范为可达性和不变性约束并顺序调度，以提升轨迹规划效率，在线性和非线性系统上优于现有方法。
2024-03-19 cs.LO cs.RO cs.SY
Specification mining and automated task planning for autonomous robots based on a graph-based spatial temporal logic
University of Notre Dame（圣母大学）
我们的目标是使自主机器人能够从演示视频中学习新技能，并使用这些新学到的技能来完成重要的高级任务。开发这种自主机器人的目标涉及到知识表示、规范挖掘和自动任务规划。对于知识表示，我们使用基于图的时空逻辑（GSTL）来捕获演示视频所演示的相关技能的时空信息。我们设计了一个规范挖掘算法，通过归纳构造空间项和时间公式，从演示视频中生成一组参数化的GSTL公式。从规范挖掘得到的参数化GSTL公式作为域理论，用于自主机器人的自动任务规划。提出了一种基于GSTL的自动任务规划方法，其中提出者用于生成有序动作，验证者用于生成可执行的任务计划。文中以表格设置为例说明了本文的主要思想。
2020-07-16 cs.AI cs.RO cs.SY
Footstep Planning with Encoded Linear Temporal Logic Specifications
本文提出了一种将线性时态逻辑（LTL）规范编码为混合二次约束二次规划（MIQCQP）足迹规划器的方法。我们建议将LTL规范集成到规划器中，不仅有利于无障碍区域之间的安全和理想的运动，而且还为接触规划中的高级推理提供了丰富的语言。在一个二维环境中的足迹规划器满足编码LTL规范的模拟证明了这项研究的结果。
2020-08-31 cs.RO
Automatic Trajectory Synthesis for Real-Time Temporal Logic
University of Notre Dame（圣母大学）
许多安全关键型系统必须在保证安全性和正确性的情况下实现高级任务规范。最近的进展已经取得了这一目标，通过控制器的时序逻辑规范的合成。然而，现有的方法仅限于相对简短和简单的规格。此外，现有的方法要么考虑一些事先离散化的状态空间，只处理一个凸的时间逻辑片段，或不证明完整。我们提出了一个可扩展的，可证明完整的算法，合成连续的轨迹，以满足非凸\gls*{rtl}规范。我们分离离散任务规划和连续运动规划的飞行和利用高效的布尔可满足性（SAT）和\gls*{lp}求解器找到动态可行的轨迹，满足非凸\gls*{rtl}规格的高维系统。所提出的设计算法被证明是健全和完整的，仿真结果表明我们的方法的可扩展性。
2020-09-14 cs.FL cs.RO cs.SY
Automated Testing with Temporal Logic Specifications for Robotic Controllers using Adaptive Experiment Design
University of Edinburgh（爱丁堡大学）
许多机器人控制场景涉及评估系统对任务规范的鲁棒性。如果控制器或环境由具有未知动态的“黑盒”组件组成，则我们不能依赖于形式化验证来评估我们的系统。如果环境空间与实验成本相比很大，则通过穷举测试来评估鲁棒性通常也是不可行的。鉴于有限的预算，我们提供了一种方法来选择实验输入，使最大的洞察系统的性能对给定的规格跨域。通过结合信号时序逻辑的平滑鲁棒性度量和自适应实验设计技术，我们的方法通过逐步构建规范鲁棒性的代理模型来选择信息量最大的实验输入。然后，该模型将下一个实验选择在预测误差或不确定性较高的区域。我们的实验表明，这种自适应实验设计技术的结果在样本有效的描述系统的鲁棒性。此外，我们展示了如何使用通过实验设计过程建立的模型来评估数据驱动控制系统在域转移下的行为。
2022-02-22 cs.RO
Arithmetic-Geometric Mean Robustness for Control from Signal Temporal Logic Specifications
Boston University（波士顿大学）；Massachusetts Institute of Technology（麻省理工学院）
我们提出了一个新的基于平均的鲁棒性得分信号时序逻辑（STL）和STL约束下的动态系统的最优控制的框架。通过对不同时间点的不同规格或子公式的得分进行平均，我们的新定义突出了满意度的频率，以及每个规格在每个时间点得到满足的稳健程度。我们表明，这个定义提供了一个更好的分数如何满足规范。它的有用性，在监测和控制综合问题，通过案例研究说明。
2019-03-12 cs.RO
Online Modifications for Event-based Signal Temporal Logic Specifications
Cornell University（康奈尔大学）
本文提出一种语法与控制综合框架，支持在执行过程中在线修改基于事件的信号时序逻辑（STL）规范，允许用户应对违规、环境变化等动态调整机器人任务，并在无法修改时提供反馈与替代方案。
2023-03-31 cs.RO
Toward Achieving Formal Guarantees for Human-Aware Controllers in Human-Robot Interactions
University of Texas at Austin（得克萨斯大学奥斯汀分校）
随着人机交互的主要目标是支持人类的目标，有必要正式合成机器人控制器，可以提供所需的服务。综合技术的好处是为规范的满足提供了形式化的保证。有可能将这些技术应用于设计机器人控制器，其规格与人类的需求相结合。本文探讨了使用形式化的方法来构建人类感知的机器人控制器，以支持人类的生产力要求。我们通过人类工作量知情模型和反应合成来解决这些类型的场景。这种策略使我们能够合成控制器，满足正式规格表示为线性时序逻辑公式。我们提出了一个案例研究中，我们的原因，工作交付和皮卡任务，使机器人提高工人的生产力，但不高的工作积压引起的压力。我们证明我们的控制器使用丰田HSR，移动机械手机器人。结果表明，实现了一个强大的机器人控制器，保证正确的原因和反应，在与人类合作伙伴的协作任务。
2019-03-04 cs.RO
Controller Synthesis for Multi-Agent Systems with Intermittent Communication and Metric Temporal Logic Specifications
Arizona State University（亚利桑那州立大学）；University of Florida（佛罗里达大学）；University of Texas, Austin（德克萨斯大学奥斯汀分校）
研究了具有间歇通信的多智能体系统（MAS）的控制器综合问题。我们采用了一个中继探险家计划，其中一个移动中继代理与绝对位置传感器之间的相对位置传感器提供间歇性的状态信息的一组探险家切换。我们将MAS建模为一个切换系统，其中探测器的动态可以是完全驱动或欠驱动。探索者的目标是对预定的目标区域达成近似共识。为了保证切换系统的稳定性和探险家的近似共识，我们推导出最大停留时间条件，以约束每个探险家没有状态反馈（从中继代理）的时间长度。此外，中继代理需要满足实际约束，例如充电和停留在特定的感兴趣区域。最大驻留时间条件和这些实际约束都可以用度量时态逻辑（MTL）规范来表示。我们迭代地计算中继代理的最优控制输入以满足MTL规范，同时保证探索者的稳定性和近似一致性。我们实施所提出的方法与CoppeliaSim机器人模拟器的案例研究。
2021-02-06 cs.RO
Automated Task Updates of Temporal Logic Specifications for Heterogeneous Robots
Cornell University（康奈尔大学）
给定一个异构组的机器人执行一个复杂的任务，表示在线性时序逻辑，和一组新的任务，我们定义的任务更新问题，并提出了一个框架，自动更新个别机器人任务的现有任务和能力。我们的启发式，令牌为基础的，冲突解决任务分配算法产生一个接近最优的分配新的任务。我们证明了我们的方法的可扩展性，通过模拟多机器人任务。
2022-04-18 cs.RO
Optimal Control Synthesis with Relaxed Global Temporal Logic Specifications for Homogeneous Multi-robot Teams
Lehigh University（利哈伊大学）
本文研究同构多机器人团队在全局时序逻辑规约不可行时的控制综合问题，提出结合加权有限状态编辑系统与MILP的优化方法，在捕获松弛代价的同时避免状态空间爆炸，高效实现任务松弛与控制综合。
2024-06-03 cs.RO
Multi-Robot Task Planning under Individual and Collaborative Temporal Logic Specifications
Zhejiang University（浙江大学）
本文研究了多机器人任务协调问题，其中每个机器人都有一个私有的时态逻辑任务规范，同时还必须共同满足一个全局给定的协作时态逻辑任务规范。为了有效地生成可行的和优化的任务执行计划的机器人，我们提出了一个分层的多机器人的时间任务规划框架，在该框架中，一个中央服务器分配的协作任务的机器人，然后单独的机器人可以独立地合成他们的任务执行计划在一个分散的方式。此外，我们提出了一个执行计划调整机制，允许机器人迭代修改他们的执行计划，通过隐私保护的智能体通信，以提高预期的实际执行性能，减少等待时间的机器人合作。分析了该方法的正确性和有效性，并通过大量的仿真实验进行了验证。
2021-08-27 cs.RO
Elaborating on Learned Demonstrations with Temporal Logic Specifications
University of Edinburgh（爱丁堡大学）
大多数当前用于从演示示教学习的方法假设仅这些演示就足以学习底层任务。这通常是不正确的，特别是如果存在原始演示中没有的额外安全规范。在本文中，我们允许专家详细说明他们原来的演示与额外的规范信息，使用线性时序逻辑（LTL）。我们的系统将LTL规格转换为可微损失。然后，这种损失用于学习满足底层规范的动态移动原语，同时保持接近原始演示。此外，通过利用对抗性训练，我们的系统学习在看不见的输入上鲁棒地满足给定的LTL规范，而不仅仅是在训练中看到的输入。我们表明，我们的方法是足够的表达工作在各种常见的运动规范模式，如避障，巡逻，保持稳定，速度限制。此外，我们表明，我们的系统可以修改一个基础演示与复杂的规范，逐步组成多个简单的规范。我们还实现了我们的系统上的PR-2机器人演示如何可以开始与初始（次优）演示，然后交互式地提高任务的成功，包括额外的规范执行我们的可微LTL损失。
2020-05-22 cs.LG cs.RO stat.ML
Optimization-based Task and Motion Planning under Signal Temporal Logic Specifications using Logic Network Flow
George W. Woodruff School of Mechanical Engineering, Georgia Institute of Technology（佐治亚理工学院机械工程学院）；Georgia Institute of Technology（佐治亚理工学院）；School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院）
针对信号时序逻辑规范下的任务与运动规划问题，提出Logic Network Flow框架，将时序谓词编码为网络流边约束，实现更紧凸松弛，在多机器人规划案例中计算效率优于传统Logic Tree方法。
2025-09-30 cs.FL cs.RO
NL2SpaTiaL: Generating Geometric Spatio-Temporal Logic Specifications from Natural Language for Manipulation Tasks
University of California, Riverside（加州大学河滨分校）；Lehigh University（莱恩大学）
本文提出NL2SpaTiaL框架，通过生成层次化逻辑树实现自然语言到时空逻辑规范的高效转换，解决了传统方法在深度嵌套下的性能问题，验证了结构化方法在操作任务验证中的有效性。
2026-03-24 cs.RO
Exact Smooth Reformulations for Trajectory Optimization Under Signal Temporal Logic Specifications
Division of Robotics, Perception and Learning, School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology（机器人、感知与学习 division，电气工程与计算机科学学院，皇家理工学院）
本文针对信号时序逻辑规范下的运动规划问题，提出一种基于max/min算子精确重构的轨迹优化方法，实现无近似误差的可微求解，并通过数值仿真验证其有效性与实用性。
2025-11-10 cs.RO
Negotiating the Probabilistic Satisfaction of Temporal Logic Motion Specifications
Boston University（波士顿大学）
我们提出了一种人为监督的随机Dubins车辆的控制合成方法，使得满足概率计算树逻辑（PCTL）在一组环境属性的片段中作为公式给出的规格的概率最大化。在一些温和的假设下，我们构造了一个有限的近似的形式的树结构的马尔可夫决策过程（MDP）的车辆的运动。我们引入了一个有效的算法，它利用树结构的MDP，合成的控制策略，最大限度地提高满意度的概率。对于建议的PCTL片段，我们定义的规格更新规则，保证增加（或减少）的满意度概率。我们引入了一个增量算法，用于合成一个更新的MDP控制策略，重用初始解决方案。可以使用规则来更新初始规范，直到主管对更新的规范和相应的满意概率都满意为止。我们提出了这种方法的离线和在线应用。
2013-07-11 cs.RO
Decomposition-based Hierarchical Task Allocation and Planning for Multi-Robots under Hierarchical Temporal Logic Specifications
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）
针对复杂时序逻辑规范下的多机器人任务分配与规划问题，提出基于分解的分层框架，通过原子子任务分解、任务网络构建及混合整数线性规划分配，在导航和操作仿真中实现更优解和更短运行时间。
2024-05-23 cs.AI cs.RO
STeP: Signal Temporal Logic for Precise Specifications for Action Generation with Vision Language Models
University of Maryland（马里兰大学）
针对视觉语言动作模型缺乏可解释性及难以遵循精确自然语言指令的问题，提出用信号时序逻辑（STL）连接高级语言理解与低级机器人执行的分层框架，经实验验证该框架能提高语言条件下机器人规划的精度、可靠性和可解释性。
2026-09-29 cs.RO
Hierarchical Multi-robot Strategies Synthesis and Optimization under Individual and Collaborative Temporal Logic Specifications
College of Electrical Engineering, Zhejiang University（浙江大学电气工程学院）
针对需满足个体与协作线性时序逻辑规范的多机器人时序任务规划问题，提出含任务分解分配、初始策略综合及分布式迭代调整的分层框架，经仿真验证具备良好可扩展性与优化效率。
2021-10-21 cs.RO
Qualitative Analysis of POMDPs with Temporal Logic Specifications for Robotics Applications
IST Austria (Institute of Science and Technology Austria)（奥地利科学技术研究所）；Indian Institute of Technology, Bombay（印度理工学院孟买分校）
我们认为部分可观察马尔可夫决策过程（POMDPs），这是一个标准的框架，机器人应用程序来模拟现实世界中存在的不确定性，与时间逻辑规范。线性时间时序逻辑（LTL）中的所有时序逻辑规范都可以表示为奇偶目标。我们研究的定性分析问题POMDPs奇偶目标，要求是否有一个控制器（政策），以确保目标持有概率1（几乎肯定）。虽然定性分析POMDPs与奇偶校验目标是不可判定的，最近的结果表明，当限制到有限的内存政策的问题是EXPTIME完成。虽然这个问题在理论上是棘手的，我们提出了一个实用的方法来解决定性分析问题。我们设计了几种算法来处理指数复杂度，并在机器人应用程序的一些著名POMDP示例上使用了我们的实现。我们的研究结果提供了第一个实用的方法来解决定性分析的机器人运动规划与LTL属性存在的不确定性。
2015-02-18 cs.LO cs.RO
Automating Bird Diverter Installation through Multi-Aerial Robots and Signal Temporal Logic Specifications
University of Seville（塞维利亚大学）；Czech Technical University in Prague（布拉格捷克理工大学）
本文提出一种基于信号时序逻辑的多旋翼机队驱鸟器安装运动规划方法，通过事件重规划和能量最小化处理故障并节省飞行时间，仿真与现场实验验证了其有效性。
2023-09-19 cs.RO
Learning Optimal Strategies for Temporal Tasks in Stochastic Games
Duke University（杜克大学）；University of Florida（佛罗里达大学）
本文提出一种无需环境模型的强化学习方法，通过确定性奇数自动机构建产品博弈，利用折扣奖励优化策略以满足LTL规范，解决大规模颜色问题并验证方法有效性。
2023-08-31 cs.AI cs.LG cs.LO
