Formalizing the Execution Context of Behavior Trees for Runtime Verification of Deliberative Policies
Istituto Italiano di Tecnologia（意大利技术研究院）；Università degli Studi di Genova（热那亚大学）
在本文中，我们使自动属性验证审议组件的机器人控制架构。我们专注于形式化的行为树（BTs）的执行上下文，以提供一个可扩展的，但正式接地，方法，使运行时验证和防止意外的机器人行为。为此，我们考虑一个消息传递模型，可同时容纳同步和异步组成的并行组件，其中BT和其他组件执行和交互根据机器人软件架构中常用的通信模式。我们引入了一个正式的属性规约语言来编码需求和构建运行时监控器。我们进行了一组实验，无论是在模拟和真实的机器人，证明了我们的方法在一个现实的应用程序和它的集成在一个典型的机器人软件架构的可行性。我们还提供了一个操作系统级的虚拟化环境，以重现模拟场景中的实验。
2021-09-16 cs.FL cs.RO
Deliberative and Conceptual Inference in Service Robots
Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas（应用数学与系统研究所）；Universidad Nacional Autónoma de México（墨西哥国立自治大学）；Facultad de Estudios Superiores Aragón（阿拉贡高等研究学院）
服务机器人需要推理来支持人们的日常生活。推理是一种昂贵的资源，每当机器人的期望与世界的情况不匹配并且任务的执行被打破时，应按需使用;在这种情况下，机器人必须执行常识日常生活推理循环，包括诊断发生了什么，决定对此做什么，以及归纳和执行计划，以这种行为重复，直到可以恢复服务任务。在这里，我们研究了两种策略来实现这个循环：（1）一个管道线策略，涉及绑架，决策和规划，我们称之为慎思推理和（2）使用存储在机器人的知识库中的知识和偏好，我们称之为概念推理。前者涉及一个明确的定义，通过启发式搜索探索的问题空间，后者是基于概念知识，包括人类用户的喜好，其表示需要一个非单调的知识为基础的系统。我们比较了这两种方法的优势和局限性。我们还描述了一个服务机器人的概念模型和架构，能够支持日常生活的推理周期在执行机器人服务任务。该模型集中在机器人的通信和任务结构的声明性规范和解释。我们还展示了这个框架在全自主机器人Golem-III中的实现。该框架说明了两个示范方案。
2020-12-13 cs.AI cs.RO
Proceedings 35th International Conference on Logic Programming (Technical Communications)
自1982年在马赛举行第一次会议以来，ICLP一直是展示逻辑编程研究的首要国际活动。在逻辑编程的所有领域寻求贡献，包括但不限于：基础：语义学，形式主义，非单调推理，知识表示。语言：并发，对象，协调，移动性，高阶，类型，模式，断言，模块，元编程，基于逻辑的领域特定语言，编程技术。声明式编程：声明式程序开发，分析，类型和模式推理，部分求值，抽象解释，转换，验证，验证，编译，分析，测试，执行可视化实现：虚拟机，编译，存储管理，并行/分布式执行，约束处理规则，制表，外部接口，用户界面。相关范例和协同作用：归纳和协同归纳逻辑程序设计、约束逻辑程序设计、答案集程序设计、与SAT、SMT和CSP求解器的交互、类型推断和定理证明的逻辑程序设计技术、论证、概率逻辑程序设计、与面向对象和函数式程序设计的关系。应用领域：数据库、大数据、数据集成和联合、软件工程、自然语言处理、Web和语义网、代理、人工智能、计算生命科学、教育、网络安全和机器人技术。
2019-09-17 cs.AI cs.LO cs.PL
Proceedings 36th International Conference on Logic Programming (Technical Communications)
自1982年在马赛举行第一次会议以来，ICLP一直是展示逻辑编程研究的首要国际活动。在逻辑编程和相关领域的所有领域征求贡献，包括但不限于：-基础：语义学，形式主义，集合编程，非单调推理，知识表示。- 声明式编程：推理引擎，分析，类型和模式推理，部分求值，抽象解释，转换，验证，验证，建模，分析，测试，基于逻辑的领域特定语言，约束处理规则。- 相关范例和协同作用：归纳和协同归纳逻辑程序设计、约束逻辑程序设计、与SAT、SMT和CSP求解器的交互、用于类型推断和定理证明的逻辑编程技术、论证、概率逻辑程序设计、与面向对象和函数式编程的关系、描述逻辑、神经符号机器学习、混合深度学习和符号推理。- 实施情况：并发和分布，对象，协调，移动性，虚拟机，编译，高阶，类型系统，模块，约束处理规则，元编程，外部接口，用户界面。- 应用领域：数据库、大数据、数据集成和联合、软件工程、自然语言处理、Web和语义网、代理、人工智能、生物信息学、教育、计算生命科学、教育、网络安全和机器人技术。
2020-09-19 cs.AI cs.LO cs.PL
A Multi-Modal Neuro-Symbolic Approach for Spatial Reasoning-Based Visual Grounding in Robotics
Faculty of Information Technology, Monash University（信息技术学院，墨尔本大学）；Department of Electrical Engineering, Sharif University of Technology（电气工程系，谢赫大学）
针对VLMs在细粒度空间推理上的不足，提出整合全景图像与3D点云的神经符号框架，结合神经感知与符号推理显式建模空间逻辑关系，在JRDB-Reasoning数据集上展现卓越性能且保持轻量化设计。
2025-10-30 cs.AI cs.CV cs.RO
NeuroNL2LTL: A Neurosymbolic Framework for Natural Language Translation of Linear Temporal Logic
Baylor University（贝勒大学）
提出NeuroNL2LTL神经符号框架，通过验证器在环训练和最小编辑修复机制，实现自然语言到线性时序逻辑的高可靠性翻译，在20万+需求上达到86%的可满足性输出。
2026-05-20 cs.AI cs.LO
Logic, Probability and Action: A Situation Calculus Perspective
University of Edinburgh（爱丁堡大学）；Alan Turing Institute（艾伦·图灵研究所）
逻辑和概率的统一是人工智能中长期关注的问题，更广泛地说，是科学哲学中的问题。从本质上讲，逻辑提供了一种简单的方法来指定必须在每个可能世界中保持的属性，概率允许我们进一步量化必须满足属性的世界的权重和比例。为此，已经进行了许多开发，最终提出了诸如概率关系模型之类的建议。虽然这一进展是值得注意的，一个通用的一阶知识表示语言的原因概率和动态，包括在连续设置，仍然是出现。在本文中，我们调查最近的结果有关集成的逻辑，概率和行动的情况演算，这可以说是最古老和最知名的形式主义之一。然后，我们探讨减少定理和编程接口的语言。这些结果是在认知机器人的背景下（正如Reiter和他的同事所设想的那样）为了具体化而产生的。总的来说，证明这种通用语言的结果的优点是，可以使它们适应任何特殊用途的片段，包括但不限于流行的概率关系模型。
2020-06-17 cs.AI cs.LG cs.LO
Experimenting with robotic intra-logistics domains
University of Potsdam（波茨坦大学）；TED University（TED大学）；New Mexico State University（新墨西哥州立大学）
我们引入了asprilo [1]框架，以促进解决复杂动态应用程序的方法的实验研究。为此，我们选择了机器人内部物流领域。这一领域不仅在当今第四次工业革命的背景下高度相关，而且在一个统一的框架内结合了众多具有挑战性的问题。这包括多代理规划，推理行动，变化，资源，战略等，作为回报，asprilo允许用户研究替代解决方案的有效性和可扩展性。虽然asprilo依赖于Answer Set Programming和Python，但它可以被任何遵循其面向事实的接口格式的系统使用。这使得它对基准测试和教学的吸引力远远超出了逻辑编程。更准确地说，asprilo包括一个多功能的基准生成器，解决方案检查器和可视化工具，以及一堆具有各种ASP技术的参考编码。重要的是，可视化工具的动画功能对于内部物流等复杂场景是必不可少的，以便检查有效和无效的解决方案候选者。此外，它还允许图形化地编辑基准布局，这些布局可以用作生成基准套件的基础。[1]asprilo代表机器人内部物流的答案集编程
2018-04-26 cs.AI
Verification of Logical Consistency in Robotic Reasoning
University of Sheffield（谢菲尔德大学）
大多数自主机器人代理使用逻辑推理来保持自己的安全和允许的行为。给定一组规则，重要的是机器人能够建立其规则，其基于感知的信念，其计划的行动及其后果之间的一致性。本文研究了机器人智能体如何使用模型检验来检验其规则、信念和动作的一致性。一个规则集是由一个布尔演化系统与同步语义，它可以被转换成一个标记的转换系统（LTS）。证明了稳定性和一致性可以表示为计算树逻辑（CTL）和线性时态逻辑（LTL）性质。提出了两种新的算法，分别进行实时一致性和稳定性检查。他们的实现为我们提供了一个计算工具，它可以形成有效的一致性检查的基础上，船上的机器人。
2016-11-10 cs.LO cs.RO
Intelligent Singularity Avoidance in UR10 Robotic Arm Path Planning Using Hybrid Fuzzy Logic and Reinforcement Learning
National Center for High-Performance Computing（国家高速网络与计算中心）
本文提出一种结合模糊逻辑与强化学习的UR10机械臂路径规划方法，通过实时检测和规避奇异点，实现高成功率的路径规划。
2026-01-09 cs.AI cs.RO
On-Device Robotic Planning: Eliminating Inference Redundancy for Efficient Decision-Making
School of Integrated Technology, College of Computing, Yonsei University（延世大学整合技术学院，计算学院）；Department of Hyperscale AI SoC Research Section, ETRI（ETRI超大规模AI SoC研究部）；EECS - Electrical and Computer Engineering, University of Michigan（密歇根大学电气与计算机工程学院）
提出REIS框架，通过场景门控、KV引导的affordance路由和审慎推理减少推理冗余，在保持语义适应性的同时加速机器人控制。
2026-05-29 cs.RO cs.SY eess.SY
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
Logically Constrained Robotics Transformers for Enhanced Perception-Action Planning
Carnegie Mellon University（卡内基梅隆大学）；Scaled Foundations
本文提出将信号时序逻辑规范融入自回归 Transformer 轨迹规划的新方法，并构建预训练数据集，使规范满足率较基线提升 74.3%。
2024-08-09 cs.AI cs.RO
Formal Modeling of Robotic Cell Injection Systems in Higher-order Logic
National University of Sciences and Technology (NUST)（国立科技大学）
机器人细胞注射用于自动将物质输送到细胞中，是药物开发、基因工程和细胞生物学许多其他领域的不可或缺的组成部分。传统上，这些系统的功能的正确性是确定使用纸笔证明和计算机模拟的方法。然而，基于纸张的证明可能容易出现人为错误，并且由于其基于采样的性质以及无法在基于计算机的模型中捕获连续行为，模拟提供了不完整的分析。模型检验最近也被提倡用于细胞注射系统的分析。然而，它涉及用于建模系统的动态的微分方程的离散化，从而妥协的完整性的分析以及。在本文中，我们建议使用高阶逻辑定理证明的建模和分析的机器人细胞注射系统的动态行为。底层逻辑的高表达性允许我们以真实的形式捕捉模型的连续细节。然后，可以在证明助手的声音核心内使用演绎推理来分析模型。
2018-07-18 cs.LO cs.RO
Study of Signal Temporal Logic Robustness Metrics for Robotic Tasks Optimization
Sapienza University（罗马第一大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
信号时序逻辑（STL）是一种描述时序约束的有效技术。它可以在机器人操作中发挥重要作用，例如，根据任务相关指标优化机器人性能。在本文中，我们评估了几个STL鲁棒性指标的兴趣在机器人操作任务，并讨论了一个案例研究显示使用STL定义复杂的约束的优势。这样的约束可以被理解为任务优化中的成本函数。我们展示了如何使用各种现成的优化器优化基于STL的成本函数。我们报告的初步结果，这一研究方向上的模拟平面环境。
2021-10-01 cs.RO
Correct-by-Construction Behavior Tree Synthesis from Signal Temporal Logic Specifications with Application to Robotic Missions
研究从信号时序逻辑规范合成构建正确的行为树，通过将工作空间建模为定时转换系统并抽象为区域图，引入增强状态空间，利用分层定点算法计算获胜集，证明正确性并推导复杂度界限，经仿真和实验验证了方法的有效性和可部署性。
2026-07-22 cs.RO
Hyperproperties for Robotics: Planning via HyperLTL
Duke University（杜克大学）
基于形式化方法的时序逻辑机器人规划问题越来越受到人们的关注。在这项工作中，我们将现有的合成方法的范围扩展到超时态逻辑。我们的动机是这样一个事实，即重要的规划目标，如最优性，鲁棒性和隐私，（可能隐含）涉及多个路径之间的相互关系。这样的目标因此是超属性，并且不能用通常的时态逻辑（如线性时态逻辑（LTL））来表达。我们表明，这样的超性质可以表示为HyperLTL，LTL的扩展到多个路径。为了处理规划与HyperLTL规范的复杂性，我们引入了一个符号的方法来合成离散过渡系统的规划策略。我们的规划方法进行评估的几个案例研究。
2020-04-28 cs.FL cs.RO
SafePlan: Leveraging Formal Logic and Chain-of-Thought Reasoning for Enhanced Safety in LLM-based Robotic Task Planning
Purdue University（普渡大学）；University of Michigan（密歇根大学）
SafePlan框架结合形式逻辑与思维链推理器，对LLM机器人系统的任务提示、计划和分配输出进行安全检查，使有害提示接受率降低90.5%并保持安全任务合理接受。
2025-03-10 cs.RO
Performance Measurement Under Increasing Environmental Uncertainty In The Context of Interval Type-2 Fuzzy Logic Based Robotic Sailing
University of Nottingham（诺丁汉大学）
本文探讨了在环境不确定性显著变化时，传统性能指标如RMSE的不足，提出更复杂的比较方法，应用于机器人控制问题，证明其比简单方法更稳健。
2013-08-23 cs.NE cs.RO cs.SY
Muscle-inspired flexible mechanical logic architecture for colloidal robotics
University of Michigan（密歇根大学）
通过膨胀或收缩对外部刺激作出响应的材料提供了一种转换路径，该转换路径集成了由刺激直接供电的感测和致动。这促使我们使用这些可以变形为任意配置的材料来构建胶体规模的机器人。为了在机器人系统中智能地使用全局刺激，需要将计算能力纳入其中。挑战在于设计一种紧凑、材料不可知、在随机力下稳定并且可以使用刺激响应材料的建筑。我们提出了一种架构，计算组合逻辑使用机械门，使用肌肉样的响应-膨胀和收缩-作为电路信号与逻辑电路的物理灵活性和能够改造为任意机器人机构的额外好处。我们从数学上分析门的几何形状，并讨论调整它的信号尺寸和幅度的给定要求。我们验证的功能和稳定性的设计在胶体尺度上使用布朗动力学模拟。我们还使用3D打印模型演示了闸门设计。最后，我们模拟一个完整的机器人，折叠成俄罗斯方块的形状。
2020-12-17 cs.RO physics.app-ph
T3 Planner: A Self-Correcting LLM Framework for Robotic Motion Planning with Temporal Logic
本文提出 T3 Planner，通过三级级联模块和 STL 验证器让 LLM 自纠正机器人运动计划，显著提升复杂时空逻辑任务的规划可行性，并可蒸馏至 Qwen3-4B 高效部署。
2025-10-19 cs.RO
LTLDiff: Finite Linear Temporal Logic-Guided Data Generation and Diffusion Policies for Multi-agent Robotic Manipulation
University of Toronto（多伦多大学）；A*STAR Centre for Frontier AI Research (A*STAR CFAR), Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局前沿人工智能研究中心（A*STAR CFAR））
针对多智能体操作中的协调失败问题，提出LTLDiff框架，结合有限线性时序逻辑规范学习与扩散策略，实现逻辑引导的数据生成和策略训练，提升任务成功率。
2026-09-11 cs.RO
Safe and Optimal Learning from Preferences via Weighted Temporal Logic with Applications in Robotics and Formula 1
本文提出基于加权时间逻辑的安全最优偏好学习方法，应用于机器人与F1领域，通过结构修剪和对数转换提升安全性与效率。
2026-03-10 cs.RO cs.SY eess.SY
H-WM: Robotic Task and Motion Planning Guided by Hierarchical World Model
Huawei Noah’s Ark Lab（华为诺亚实验室）；University of Toronto（多伦多大学）；University of British Columbia（不列颠哥伦比亚大学）；McGill University（麦吉尔大学）
H-WM通过结合逻辑和视觉世界模型，实现机器人任务和运动规划中的鲁棒长视界推理与稳定引导。
2026-10-01 cs.RO
Soft Fluidic Sheet Transistor for Soft Robotic System Enabling Fluid Logic Operations
本文提出了一种柔性流体片晶体管，用于软机器人系统中实现流体逻辑操作，通过集成多个晶体管可执行多种逻辑功能。
2025-11-27 cs.RO
General-Purpose Aerial Intelligent Agents Empowered by Large Language Models
本文提出首个由大语言模型驱动的通用空中智能体，通过边缘优化机载LLM推理与双向认知架构，实现开放环境中的任务规划与机器人自主执行。
2025-03-11 cs.AI cs.RO
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
RTAMT -- Runtime Robustness Monitors with Application to CPS and Robotics
Toyota Motor NA R&D（丰田汽车北美研发中心）；AIT Austrian Institute of Technology（奥地利技术研究院）
本文提出RTAMT工具，用于定量监控信号时序逻辑规范，支持多种环境、规范变体和时间解释，并重点展示其在机器人和信息物理系统中的集成与应用。
2025-01-22 cs.LO cs.RO
Model-based Reinforcement Learning from Signal Temporal Logic Specifications
University of Southern California（南加州大学）
基于强化学习（RL）的技术正越来越多地用于设计机器人系统的控制策略。RL从根本上依赖于基于状态的奖励函数来编码机器人的期望行为，而不好的奖励函数容易被学习代理利用，导致在最好的情况下不受欢迎的行为，在最坏的情况下非常危险。另一方面，为复杂任务设计好的奖励函数是一个具有挑战性的问题。在本文中，我们建议表达所需的高层次的机器人行为使用正式的规约语言称为信号时序逻辑（STL）作为替代奖励/成本函数。我们使用STL规范结合基于模型的学习来设计模型预测控制器，试图在有限的时间范围内优化STL规范的满意度。所提出的算法经验评估的机器人系统，如拾取和放置机械臂，和自适应巡航控制自动驾驶汽车的模拟。
2020-11-10 cs.AI cs.RO cs.SY
Differentiable Ternary Temporal Logic Semantics with Polynomial Surrogate Networks
Institute for Systems Research, University of Maryland（马里兰大学系统研究所）
本文提出一种三值时序逻辑的概率松弛方法，通过多项式代理网络实现可微的值与梯度计算，并用于机器人控制综合，在两个操纵器任务中验证了其有效性。
2026-10-06 cs.RO cs.SY eess.SY
When Automata Meet Streams: Temporal Logic Compilation for Stream-Based Robotics Task and Motion Planning
该研究提出SAM-TD方法，将LTL_f约束编译为自动机并嵌入动作模式，实现基于流的TAMP对动态生成对象的时态约束处理，在机器人环境中验证了其可行性与竞争力。
2026-08-21 cs.FL cs.RO
Specification Patterns for Robotic Missions
University of Luxembourg（卢森堡大学）；Technische Universität Wien（维也纳技术大学）；University of L’Aquila（拉奎拉大学）；Chalmers University of Technology — University of Gothenburg（查尔姆斯理工大学—哥德堡大学）；Politecnico di Milano（米兰理工大学）
移动和通用机器人越来越多地支持我们的日常生活，需要可靠的机器人控制软件。创建这样的软件主要是实现他们的复杂行为，称为任务。认识到这一需求，大量的领域特定的规约语言被提出。这些，除了传统的逻辑语言，允许使用正式指定的综合，验证，模拟任务，或指导实施。例如，专家通常使用逻辑语言LTL来指定任务，作为规划者的输入，规划者综合了机器人应该具有的行为。不幸的是，特定于领域的语言通常与特定的机器人模型绑定，而LTL等逻辑语言很难被非专家使用。我们提出了一个目录的22个任务规范模式的移动机器人，连同工具的实例化，组成，并编译的模式，以创建任务规范。这些模式为经常性的规范问题提供了解决方案，每个问题都详细说明了使用意图、已知用途、与其他模式的关系，以及最重要的是时态逻辑中的模板任务规范。我们的工具产生的规格表示的LTL和CTL的时间逻辑规划者，模拟器，或模型检查器使用。这些模式来自于从机器人文献中提取的245个现实的文本任务要求，并根据总共441个现实任务要求和1251个任务规范进行评估。其中五个场景反映了我们与两个著名的工业合作伙伴一起开发人类大小的机器人的场景。我们用模拟器和两个真实的机器人验证了我们的模式的正确性。
2019-01-07 cs.RO cs.SE
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
Explainable Hierarchical Imitation Learning for Robotic Drink Pouring
Imperial College London（伦敦帝国理工学院）；Tencent Robotics X（腾讯 Robotics X）；Bielefeld University（比勒费尔德大学）
准确地将饮料倒入各种容器是服务机器人的基本技能。然而，饮料倾倒是一个动态过程，难以建模。传统实现机器人自主浇注的深度模仿学习技术存在固有的黑箱效应，需要大量的演示数据进行模型训练。为了解决这些问题，本文提出了一种可解释的分层模仿学习（EHIL）方法，使机器人可以学习高层次的一般知识，并执行低层次的行动，在多个饮料倒的情况。此外，EHIL，可以构建一个逻辑图的任务执行，通过该动作生成的决策过程可以解释给用户，并可以追溯失败的原因。基于逻辑图，该框架是可操作的，以实现不同的目标，而适应性不可见的场景，可以在一个可解释的方式实现。一系列的实验已经进行了验证所提出的方法的有效性。结果表明，EHIL在成功率、适应性、可操作性和可解释性方面优于传统的行为克隆方法。
2021-05-16 cs.AI cs.RO
Temporal Logic Guided Motion Primitives for Complex Manipulation Tasks with User Preferences
University of Science and Technology of China（中国科学技术大学）
动态运动基元（DMPs）是一种灵活的轨迹学习方案，广泛应用于机器人系统的运动生成。然而，现有的基于DMP的方法主要集中在简单的去目标任务。为了处理点到点运动规划之外的任务，本文提出了基于时序逻辑的运动基元优化算法，即PIBB-TL算法，用于满足用户偏好的复杂操作任务。特别是，加权截断线性时序逻辑（wTLTL）被纳入PIBB-TL算法，这不仅使编码的复杂任务，涉及一系列的逻辑组织的行动计划与用户的喜好，但也提供了一个方便和有效的手段来设计成本函数。然后，黑盒优化适于识别DMP的最佳形状参数，以实现机器人系统的运动规划。通过仿真和实验验证了PIBB-TL算法的有效性
2022-02-09 cs.RO
Control of Mobile Robots Using Barrier Functions Under Temporal Logic Specifications
Georgia Institute of Technology（佐治亚理工学院）
在本文中，我们提出了一个框架，移动机器人的时间逻辑规范使用障碍函数的控制。复杂的任务规范可以方便地使用线性时序逻辑编码。特别是，我们考虑一个片段的线性时序逻辑，其中包括一个机器人系统的运动规划规范的一大类。控制屏障功能最近已经成为一种方便的工具，以保证系统的可达性和安全性。此外，它们可以被编码为二次规划中的仿射约束。本文提出了一个将时态逻辑中的用户自定义规范转换为基于障碍函数的二次规划序列的全自动框架。此外，为了减轻不可行的情况下，我们提出的方法组成的障碍功能，以及基于优先级的控制方法，以保证控制器的可行性。我们证明了所提出的控制器合成的系统轨迹满足给定的规格。机器人仿真和实验结果提供除了理论框架。
2020-03-29 cs.RO
Property-Guided Cyber-Physical Reduction and Surrogation for Safety Analysis in Robotic Vehicles
University of Utah（犹他大学）
本文提出一种属性引导的降维与代理建模方法，用于高效验证机器人系统安全属性，通过减少复杂性并利用逻辑感知测试生成实现语义验证。
2025-12-01 cs.CR cs.RO
Can Large Language Models Help Developers with Robotic Finite State Machine Modification?
University of Washington（华盛顿大学）；Paul G. Allen School of Computer Science & Engineering（保罗·G·艾伦计算机科学与工程学院）
针对传统人工修改机器人有限状态机（FSM）耗时易出错的问题，提出借助大语言模型（LLM），通过少样本提示和语言引导代码生成辅助开发者编辑FSM代码，经真实机器人数据集验证，该方法可提升修改效率与准确率，适用于实际场景。
2024-12-07 cs.RO
Human-Robot Interaction in GenAI Architectures via the Agent-Client Protocol
Machine Perception and Intelligent Robotics Group (MAPIR-UMA), Malaga Institute for Mechatronics Engineering and Cyber-Physical Systems (IMECH.UMA), University of Malaga（机器感知与智能机器人组（MAPIR-UMA），马拉加机电一体化工程与网络物理系统研究所（IMECH.UMA），马拉加大学）
研究针对GenAI推动下机器人架构中HRI层碎片化问题，提出采用代理-客户端协议（ACP），结合MCP构建三层解耦架构，消除架构依赖，支持异构界面，提供协作HRI能力，经实验验证了架构的互操作性和实时人在回路工作流程。
2026-07-17 cs.RO
Neuro-Symbolic Generation of Explanations for Robot Policies with Weighted Signal Temporal Logic
The Grainger College of Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院）
本文提出神经符号生成方法，通过加权信号时序逻辑生成简洁、一致且严格的解释，提升机器人策略的可解释性和安全性。
2026-02-24 cs.FL cs.RO
Specification-Aware Distribution Shaping for Robotics Foundation Models
本文提出一种面向规范的机器人基础模型分布优化框架，通过在预训练模型执行中强制满足信号时序逻辑约束，提升机器人在复杂任务中的安全性和合规性。
2026-11-02 cs.AI cs.RO
Linear Temporal Logic Translation via Human-Inspired Self-Constrained Reasoning for Robot Task Specification
School of Advanced Manufacturing and Robotics, Peking University（北京大学先进制造与机器人学院）；School of Integrated Circuits, Peking University（北京大学集成电路学院）
该研究提出自约束推理（SCR）框架，将结构知识内化到模型决策中，以在不破坏推理的前提下，提升将人类指令翻译为线性时态逻辑（LTL）时的领域约束满足度与泛化能力。
2026-08-31 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
Safety-Critical Learning of Robot Control with Temporal Logic Specifications
Lehigh University（里海大学）
强化学习是一种很有前途的学习方法。然而，成功仅限于现实世界的应用，因为确保安全探索和促进充分利用是一个挑战，控制机器人系统与未知的模型和测量不确定性。对于连续状态动作的复杂任务，学习问题变得更加困难。在本文中，我们提出了一个基于学习的机器人控制框架，包括几个方面：（1）我们利用线性时序逻辑（LTL）来表达复杂的任务在无限的视野，被翻译成一个新的自动机结构;（2）我们详细介绍了一个创新的奖励计划，LTL满意度的概率保证。然后，通过应用奖励塑造技术，我们开发了一个模块化的策略梯度架构，利用自动机结构的好处来分解整体任务，提高学习控制器的性能;（3）引入高斯过程（GPs）对不确定动态系统进行估计，我们在学习过程中使用指数控制障碍函数（ECBF）合成了基于模型的安全探索，该函数概括了具有高（4）为了进一步提高搜索效率，利用LTL自动机和ECBF的性质，提出了一种安全的引导过程。最后，我们通过几个机器人环境证明了该框架的有效性。我们展示了一种基于ECBF的模块化深度RL算法，该算法在训练过程中实现了近乎完美的成功率和高概率置信度的安全防护。
2022-08-26 cs.FL cs.LG cs.RO
FlowPlan: Zero-Shot Task Planning with LLM Flow Engineering for Robotic Instruction Following
Southern University of Science and Technology（南方科技大学）；National University of Singapore（新加坡国立大学）
提出FlowPlan，一种结构化多阶段LLM工作流，通过模块化分解规划过程，在零样本场景下生成逻辑连贯的动作序列并提取上下文指导，实现与数据驱动方法相媲美的机器人指令跟随性能。
2025-03-04 cs.RO
Using Information Invariants to Compare Swarm Algorithms and General Multi-Robot Algorithms: A Technical Report
Robotics Institute, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院机器人研究所）
机器人群体是分散的多机器人系统，其成员使用来自邻近邻居的本地信息来执行简单的反应控制律，从而导致涌现的集体行为。相比之下，一般多机器人系统的成员可以访问全局信息、全对全通信或复杂的审慎协作。文献中的一些算法适用于机器人群体。其他的则需要一般多机器人系统的额外复杂性。给定一个应用领域，系统设计者或管理操作者必须分别选择一个适当的系统或算法，使他们能够实现他们的目标，同时满足任务约束（例如带宽，能量，时间限制）。在本文中，我们比较了代表性的群体和一般的多机器人算法在两个应用领域-导航和动态区域覆盖-相对于几个指标（如完成时间，距离travel- elled）。我们的目标是描述每一类算法的特征，以便为工程师的离线系统设计决策或监督操作员的在线算法选择决策提供信息。我们的贡献是：（a）在两个应用领域的代表性群体和一般的多机器人算法的实证性能比较，（b）基于信息不变量理论的算法的比较分析，这提供了一个理论表征支持我们的实证结果。
2018-02-25 cs.IT cs.MA cs.RO
Axiom Learning and Belief Tracing for Transparent Decision Making in Robotics
Electrical and Computer Engineering, The University of Auckland（奥克兰大学电气与计算机工程学院）；School of Computer Science, University of Birmingham（伯明翰大学计算机学院）
机器人提供其决策和信念描述的能力促进了与人类的有效合作。在包括基于知识的推理方法和数据驱动的学习算法的集成机器人系统中，提供这样的透明度是特别具有挑战性的。为了应对这一挑战，我们的架构结合了非单调逻辑推理、深度学习和决策树归纳的互补优势。在推理和学习过程中，该架构使机器人能够提供其决策，信念和假设行动结果的按需关系描述。这些能力的基础和评估的上下文中的场景理解任务和规划任务，使用模拟图像和图像从物理机器人操纵桌面对象。
2020-10-20 cs.AI cs.RO
Reinforcement Learning With Temporal Logic Rewards
Boston University（波士顿大学）；Massachusetts Institute of Technology（麻省理工学院）
强化学习（RL）关键取决于用于捕获机器人的期望行为和约束的奖励函数的选择。通常，这些是由专业设计师手工制作的，代表了相对简单的任务。现实世界的应用程序通常涉及具有丰富的时间和逻辑结构的更复杂的任务。在本文中，我们利用时序逻辑（TL）的表达能力，指定复杂的规则，机器人应该遵循，并将领域知识的学习。我们提出截断线性时序逻辑（TLTL）作为规范语言，可以说非常适合机器人应用，以及定量语义，即，鲁棒度我们提出了一种RL方法来学习任务表示为TLTL公式，使用其相关的鲁棒性程度作为奖励函数，而不是手工制作的算法试图捕捉相同的规格。我们在模拟试验中表明，学习速度更快，使用该方法获得的策略在鲁棒性程度方面优于使用启发式奖励学习的策略，即，任务完成得如何。此外，我们证明了建议的RL方法在巴克斯特机器人学习的烤面包放置任务。
2017-03-02 cs.AI cs.RO
Self-CriTeach: LLM Self-Teaching and Self-Critiquing for Improving Robotic Planning via Automated Domain Generation
Huawei Noah's Ark Lab（华为诺亚实验室）；University of Toronto（多伦多大学）；University of British Columbia（不列颠哥伦比亚大学）；McGill University（麦吉尔大学）
本文提出Self-CriTeach框架，通过LLM自动生成符号规划领域，用于自我教学生成规划问题-计划对及自我批评生成结构化奖励信号，提升机器人规划性能与泛化能力。
2026-06-24 cs.RO
3D-Printed Hydraulic Fluidic Logic Circuitry for Soft Robots
ShanghaiTech University（上海科技大学）；Shanghai Engineering Research Center of Energy Efficient and Custom AI IC（上海节能定制人工智能集成电路工程技术研究中心）
本文提出3D打印液压流体逻辑电路，以NOT、AND、OR及简化XOR等结构实现最小输入控制，并演示两输入控制的双向重载水下四足软体机器人。
2024-12-03 cond-mat.soft cs.RO
Industrial Robot Grasping with Deep Learning using a Programmable Logic Controller (PLC)
Siemens（西门子）；University of California, Berkeley（加州大学伯克利分校）；Ambidextrous Laboratories, Inc（Ambidextrous Laboratories公司）
从堆中普遍抓取各种以前看不见的物体是电子商务订单履行，制造和家庭服务机器人的巨大挑战。最近，基于深度学习的抓取方法已经证明了结果，使它们对工业部署越来越感兴趣。本文从自动化系统的角度探讨了这个问题。我们使用Dex-Net开发了一个机器人抓取系统，该系统在控制器级别完全集成。两个神经网络部署在一个靠近PLC的新型工业AI硬件加速模块上，整个系统的功率占用小于10 W。软件与硬件紧密集成，可实现快速高效的数据处理和实时通信。如果物体和接收箱非常接近，则从箱中抓取物体的成功率高达95%，每小时拾取超过350次。该系统在2019年汉诺威工业博览会（世界上最大的工业贸易博览会）和其他活动上展出，每次活动的抓取次数超过5，000次。
2020-04-21 cs.RO
STLCG++: A Masking Approach for Differentiable Signal Temporal Logic Specification
School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学系）；General Robotics（通用机器人）；University of Washington（华盛顿大学）；NVIDIA（英伟达）
本文提出基于掩码的STLCG++方法，通过跨时间步并行化STL鲁棒性评估与反向传播，实现超1000倍加速，并引入平滑技术支持时间区间边界微分，提升了机器人在基于梯度优化任务中的效率与适用性。
2025-09-15 cs.LG cs.RO cs.SC
Understanding Generative AI in Robot Logic Parametrization
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Carnegie Mellon University（卡内基梅隆大学）
本文探讨利用生成式AI（如大型语言模型）将自然语言意图参数化为机器人程序逻辑，以电影拍摄为例验证方法，并展望未来应用。
2024-11-06 cs.HC cs.RO
Technical Report: A Receding Horizon Algorithm for Informative Path Planning with Temporal Logic Constraints
Boston University（波士顿大学）
本技术报告是2013年IEEE机器人与自动化国际会议（ICRA）上接受的论文“具有时间逻辑约束的信息路径规划的滚动时域算法”的扩展版本。本文认为，在时间逻辑约束下，一个更丰富的约束比以前被认为是在信息收集的传感机器人，找到最翔实的路径的问题。信息路径规划的算法，利用工具，从信息论和正式的控制综合，并证明给一个路径，满足给定的时间逻辑约束。该算法使用滚动时域方法，以提供一个反应，在线解决方案，同时减轻计算复杂性。从多个模拟研究中编译的统计数据表明，该算法比基线穷举搜索方法性能更好。
2013-01-31 cs.RO
