Control Design for Risk-Based Signal Temporal Logic Specifications
我们提出了一个通用的框架，风险语义的信号时序逻辑（STL）规格的随机动力系统使用公理风险理论。我们表明，在我们的递归风险语义，STL公式的风险约束可以表示在原子谓词的风险约束。然后，我们将展示如何将（随机）STL风险约束转换为相关确定性标称系统上的风险收紧确定性STL约束，从而使现有STL方法的应用成为可能。对于仿射谓词函数和（连贯的）分布鲁棒风险值度量，我们展示了原子谓词上的风险约束如何可以重新表述为收紧确定性仿射约束。我们证明了框架使用模型预测控制（MPC）设计与STL风险约束。
2020-05-30 cs.SY eess.SY
Control of Multi-agent Systems under STL Specifications based on Prescribed Performance Observers
KTH Royal Institute of Technology（皇家理工学院）；Eindhoven University of Technology（埃因霍温理工大学）
本文研究了在有界外部扰动和通信受限条件下，满足协作信号时序逻辑规范的多智能体系统去中心化控制问题，提出k跳预设性能状态观测器以估计非直接通信邻居的状态并保证误差界。
2026-04-24 cs.SY eess.SY
Reachability-based Control Synthesis under Signal Temporal Logic Specifications
在本文中，我们研究的控制器设计问题的线性扰动系统下的信号时序逻辑（STL）规格施加空间和时间的限制系统的行为。我们首先实现基于zonotope的技术划分的状态空间到有限的细胞，然后提出了一个评估机制，重新安排的STL规范的时间约束，最后分解的全球STL公式到有限的本地STL公式。以这种方式，每个单元具有局部控制设计问题，该局部控制设计问题被进一步公式化为局部优化问题。针对每一个局部优化问题，我们利用区域空间的性质和可达性分析设计了由前馈和反馈部分组成的局部控制器。通过求解所有的局部优化问题，所有的局部控制器组合，以保证全局STL规格。最后，给出了一个数值例子来说明推导的结果。
2021-10-15 cs.SY eess.SY
Observer-based Control of Multi-agent Systems under STL Specifications
KTH Royal Institute of Technology（皇家理工学院）；Eindhoven University of Technology（埃因霍温理工大学）
本文提出基于观测器的去中心化控制器，用于满足STL规范的多智能体系统，在考虑状态估计误差的情况下确保任务满足。
2026-02-05 cs.SY eess.SY
Optimization-Based Model Checking and Trace Synthesis for Complex STL Specifications
本研究提出一种基于混合整数线性规划的信号时序逻辑有界模型检测算法，采用新型语义编码，具备可扩展性、可中断性和参数挖掘能力，在复杂STL公式场景下性能更优，可应用于汽车等领域。
2024-08-13 cs.SY eess.SY
Sampling-Based Planning Under STL Specifications: A Forward Invariance Approach
针对STL规范下线性系统轨迹规划采样法扩展性差的问题，提出基于前向不变性的改进RRT$^{\star}$算法，将STL任务编码为时变集合并在其内采样，生成渐近最优的动力学可行轨迹，且在两类任务中得到验证。
2025-06-12 cs.SY eess.SY
Handover-Aware Trajectory Planning for Cellular-Connected UAVs under STL Specifications and URLLC Constraints
Guangdong Provincial Key Laboratory of Space-Aerial Networking and Intelligent Sensing, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学深圳空间-空域组网与智能感知广东省重点实验室）；Department of Electronic Engineering, Shanghai Jiao Tong University（上海交通大学电子工程系）
研究蜂窝连接无人机在URLLC约束下执行任务的切换感知轨迹规划，用信号时序逻辑和有限块长URLLC可行性表征要求，制定联合规划问题，采用逻辑网络流等求解，模拟表明规划器可执行任务并揭示多因素对轨迹等的影响。
2026-07-07 cs.SY eess.SY
Trajectory Optimization for High-Dimensional Nonlinear Systems under STL Specifications
信号时序逻辑（STL）近年来作为网络物理系统的规约语言，特别是在机器人领域得到了广泛的应用。除了表现力和易于理解之外，STL之所以吸引人，是因为合成问题--生成满足给定规范的轨迹--可以用公式表示为轨迹优化问题。不幸的是，相关的成本函数是非光滑和非凸的。因此，现有的综合方法的规模很差，高维非线性系统。本文提出了一种基于微分动态规划（DDP）的STL合成轨迹优化方法。众所周知，DDP可以很好地扩展到非常高维的非线性系统，如机器人四足动物和类人：我们表明，这些优势可以利用STL合成。我们证明了我们所提出的方法的合理性，证明了在几个基准问题上的速度比最先进的方法有数量级的提高，并证明了我们的方法对7自由度机器人手臂的完全非线性动力学的可扩展性。
2020-11-13 cs.RO cs.SY eess.SY
Backpropagation through Signal Temporal Logic Specifications: Infusing Logical Structure into Gradient-Based Methods
Stanford University（斯坦福大学）；Toyota Research Institute（丰田研究院）
提出了一种利用计算图计算信号时序逻辑（STL）公式的定量语义的方法，称为STLCG。STLCG提供了一个平台，使逻辑规范纳入机器人问题，受益于基于梯度的解决方案。具体来说，STL是一种功能强大、表达能力强的形式化语言，它可以指定连续系统和混杂系统产生的信号的空间和时间属性。STL的定量语义提供了一个鲁棒性度量，即，信号满足或违反STL规范的程度。在这项工作中，我们设计了一个系统的方法来翻译STL的鲁棒性公式到计算图。通过这种表示，并利用现成的自动微分工具，我们能够有效地通过STL鲁棒性公式进行反向传播，从而实现STL规范与机器人技术中使用的许多基于梯度的方法的自然和易于使用的集成。通过一些来自各种机器人应用的例子，我们证明了STLCG是通用的，计算效率高，并能够将人类领域的知识到问题的制定。
2021-12-27 cs.CL cs.LO cs.SY
Continuous-time control synthesis under nested signal temporal logic specifications
University of Oxford（牛津大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出结合sTLT与CBF及事件触发机制的连续时间控制综合方法，以保证非线性系统满足嵌套STL规范。
2024-01-23 cs.RO cs.SY eess.SY
Approximation-free Control for Signal Temporal Logic Specifications using Spatiotemporal Tubes
本文提出一种无需近似控制的时空管方法，用于在未知系统中满足信号时间逻辑规范，通过鲁棒优化和场景优化实现形式正确性保证，提升计算效率和复杂任务的应用能力。
2025-12-04 cs.SY eess.SY
Gradient-Based STL Control with Application to Nonholonomic Systems
在本文中，我们研究了时间逻辑任务规范下的动力系统的控制，使用基于梯度的方法依赖于定量的措施，表示在何种程度上的任务得到满足。一类控制器能够提供满意度保证简单的系统和规格的介绍，然后扩展的情况下，单轮动力学。结合这样的控制器，以解决更复杂的任务规格，同时保持其计算效率的可能性进行检查，并通过仿真研究证明了一个有效的组合相关的实用性。引入的控制器设计框架奠定了基础，为今后的工作，有效地结合这些基本控制器的学习算法的目的，帮助探索的方向。
2019-09-05 cs.SY eess.SY
Safety Verification of Stochastic Systems under Signal Temporal Logic Specifications
研究随机系统在信号时序逻辑规范下的验证问题，提出STL侵蚀策略，将概率验证转化为更严格的确定性验证，可与现有算法无缝集成，数值实验验证了其有效性。
2025-02-11 cs.FL cs.LO cs.SY
STLCCP: Efficient Convex Optimization-based Framework for Signal Temporal Logic Specifications
CentraleSupélec（中央高等电力学院）；University of Paris-Saclay（巴黎萨克雷大学）
针对现有方法难以高效求解复杂长时域STL规范控制问题的挑战，提出STLCCP框架，利用STL结构特性转化为凸优化问题并结合改进CCP求解，在运动规划基准测试中表现优于现有方法。
2025-04-14 cs.FL cs.RO cs.SY
Optimal Planning and Control under Signal Temporal Logic Specifications
Dalian University of Technology（大连理工大学）
本文研究非线性系统在信号时序逻辑规范下的规划与控制问题，通过分解任务生成局部路径并构造安全走廊，最终求解优化问题以获得满足规范的轨迹。
2026-04-27 cs.SY eess.SY
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
Online Monitoring of Dynamic Systems for Signal Temporal Logic Specifications with Model Information
在线监控的目的是在运行时评估或预测系统的行为是否满足某些期望的规范。它在安全关键的网络物理系统中发挥着关键作用。在这项工作中，我们提出了一种新的基于模型的方法，用于在线监测信号时序逻辑（STL）公式所描述的规格。具体来说，我们假设所观察到的状态轨迹是由一个底层的动态系统，其模型是已知的。其主要思想是考虑系统的动态时，评估的STL公式的满意度。为此，STL公式的可行集的计算提供了有效的方法。我们表明，通过明确地利用动态系统的模型信息，所提出的在线监测算法可以伪造或证明的规格提前与现有的算法相比，没有使用模型信息。我们还证明了所提出的监测算法的案例研究。
2022-03-30 cs.SY eess.SY
Disturbance Rejection Control under Nested Signal Temporal Logic Specifications: A Recursive Design Approach
School of Automation Science and Electrical Engineering, Beihang University（北京航空航天大学自动化科学与电气工程学院）；Hangzhou Innovation Institute, Beihang University（北京航空航天大学杭州创新研究院）；State Key Laboratory of Industrial Control Technology, Zhejiang University（浙江大学工业控制技术国家重点实验室）
本文研究了在包含嵌套时间运算符的信号时间逻辑（STL）规范下连续时间不确定系统的控制合成问题。通过控制屏障函数（CBFs）将STL公式编码为系统约束，但传统CBF设计无法处理嵌套STL公式，而基于可达性分析的方法虽然能处理此类公式，但无法应用于不确定系统且计算负担大。为此，提出了一种基于修改后的STL树（sTLT）的新型递归CBF设计过程，以生成显式参数化CBF。在此框架中引入滑动窗口变量以捕捉复杂的时序关系。关键在于证明满足所得到的CBF约束可保证STL规范的满足。为使所提递归CBF设计适用于受不确定扰动影响的系统，提出了一种基于二次规划（QP）重构的CBF控制器，确保在扰动下严格满足CBF约束。与现有方法相比，所提重构CBF方法无需事先知道扰动，同时放松了初始安全假设。仿真结果验证了所提方法的有效性。
2026-09-10 cs.SY eess.SY
Q-Learning for Robust Satisfaction of Signal Temporal Logic Specifications
Massachusetts Institute of Technology（麻省理工学院）；Georgia Institute of Technology（佐治亚理工学院）；Stanford University（斯坦福大学）；Boston University（波士顿大学）
本文研究了在未知随机动态下通过Q学习满足信号时间逻辑规范的问题，提出通过最大化满足概率和鲁棒度度量来解决合成问题，并通过仿真验证了方法性能。
2016-09-23 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
Fast Constraint Extraction for Corrective Control under STL Specifications via Logical Dependency Tracking
U2IS, ENSTA, Institut Polytechnique de Paris（巴黎理工学院ENSTA U2IS）；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（格勒诺布尔国立理工学院）；VERIMAG（VERIMAG实验室）；REALM, AeroAstro, Massachusetts Institute of Technology（麻省理工学院航空航天系REALM）
本文提出逻辑依赖追踪框架，通过STL结构传播不确定性并提取紧凑DNF约束，实现毫秒级控制校正，保证非线性系统在不确定性下满足STL规范。
2026-09-10 cs.LO cs.RO cs.SY
Swarm-STL: A Framework for Motion Planning in Large-Scale, Multi-Swarm Systems
针对多智能体系统中STL路径规划随智能体增多计算困难的问题，提出Swarm-STL框架，通过群层面降维规划加底层个体控制的两阶段策略，实现安全且计算高效的大规模多群运动规划。
2025-06-17 cs.SY eess.SY
Scenario MPC with STL Specifications and Pareto-Based Feasibility Repair
University of Southern California（南加州大学）；Texas A&M University（德克萨斯A&M大学）
针对多智能体系统中随机不可控智能体导致的STL约束不可行问题，提出将可行性修复视为Pareto优化的MPC框架，提供违反率概率证书，并在自动驾驶场景验证其安全可行性。
2026-09-22 cs.RO cs.SY eess.SY
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
Safety Verification and Navigation for Autonomous Vehicles based on Signal Temporal Logic Constraints
Clemson University（克莱姆森大学）
针对自动驾驶车辆导航的安全验证需求，本研究提出以信号时序逻辑（STL）规约为额外约束的模型预测控制器，结合sTaliro工具构建闭环控制方案，经多场景测试验证了车辆安全导航能力。
2024-09-16 cs.RO cs.SY eess.SY
Neural Controller Synthesis for Signal Temporal Logic Specifications Using Encoder-Decoder Structured Networks
Osaka University（大阪大学）；National Institute of Informatics（国立信息学研究所）
本文提出了一种基于神经网络的信号时序逻辑（STL）规范控制综合方法。大多数以前的作品考虑训练一个控制器，只有一个给定的STL规范。然而，这些方法，需要重新训练的NN控制器，如果一个新的规范出现，需要得到满足，这导致大量的内存消耗和低效的训练。为了解决这个问题，我们建议通过引入编码器-解码器结构的NN与注意力机制来构建NN控制器。编码器将STL公式作为输入，并将其编码为适当的向量，解码器输出满足给定规范的控制信号。作为编码器，我们考虑三种NN结构：顺序，树结构和图形结构的NN。所有的模型参数都是以端到端的方式训练的，以最大限度地提高预期的鲁棒性，这是STL公式的定量语义。我们比较上述NN结构的控制性能，通过数值实验的路径规划问题，所提出的方法的有效性。
2022-12-10 cs.LG cs.SY eess.SY
DAG-STL: A Hierarchical Framework for Zero-Shot Trajectory Planning under Signal Temporal Logic Specifications
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, Shanghai, China（自动化与智能感知学院，上海交通大学，上海，中国）；Institute of Artificial Intelligence, Xiamen University, Xiamen, China（人工智能研究院，厦门大学，厦门，中国）
本文提出DAG-STL框架，通过分解-分配-生成流程实现零样本轨迹规划，结合动态一致性度量和分层在线重规划机制，在复杂任务中表现出色。
2026-04-20 cs.RO cs.SY eess.SY
Non-uniform Sampled Motion Planning for Continuous-time STL
本文提出了一种离线运动规划器的线性信息物理系统，满足连续时间信号时序逻辑（STL）规范，其中控制应用于零阶保持（ZOH）的方式。运动规划问题是一个混合整数规划（MIP）与非均匀控制更新。我们开发了一种新的方法来获得控制障碍函数（CBF）和线性谓词的边界，以呈现空间和时间的要求。数值算例验证了理论分析的正确性。
2020-06-03 cs.SY eess.SY
STL-GCS: A Planner-Controller Framework for Signal Temporal Logic via Graphs of Time-varying Convex Sets
提出用于满足凸谓词上STL规范的统一轨迹规划与控制框架，规划层将任务编码为时变凸集，结合GCS框架并由B样条参数化轨迹，控制层据此设计反馈控制器，通过仿真和实际实验验证了该方法。
2026-07-22 cs.RO cs.SY eess.SY
Deep Reinforcement Learning Based Networked Control with Network Delays for Signal Temporal Logic Specifications
Osaka University（大阪大学）
我们将深度强化学习（DRL）应用于具有网络延迟的网络控制器的设计，以完成由信号时序逻辑（STL）公式描述的时序控制任务。STL对于处理动力系统的有界时间区间规格说明是很有用的。一般而言，智能体不仅需要系统的当前状态，还需要系统的过去行为来确定满足给定STL公式的期望控制动作。此外，我们需要考虑网络延迟对数据传输的影响。因此，我们提出了一个扩展的马尔可夫决策过程，使用过去的系统状态和控制动作，这被称为一个$τd$ -MDP，使代理可以评估满意度的STL公式考虑网络延迟。之后，我们应用DRL算法设计一个网络控制器使用$τd$ -MDP。通过仿真，我们也证明了所提出的算法的学习性能。
2022-03-28 cs.LG cs.SY eess.SY
Combined Left and Right Temporal Robustness for Control under STL Specifications
本文提出同时考虑左右时间偏移的STL组合时间鲁棒性，推导其性质并用混合整数线性规划设计最大化该鲁棒性的线性系统控制律。
2023-06-08 cs.LO cs.SY eess.SY
Time-Invariant Control Barrier Functions for Bounded STL Safety
University of Auckland（奥克兰大学）
本文提出时间不变控制障碍函数方法，通过消除显式时间依赖，将有限时间STL安全规范转化为静态空间不变量，以应对异步网络下的多智能体安全问题。
2026-09-25 cs.SY eess.SY
Continuous-Time Control Synthesis for Multiple Quadrotors under Signal Temporal Logic Specifications
University of Waterloo（滑铁卢大学）；Shenzhen Technology University（深圳技术大学）
本文提出双阶段框架，基于几何控制进行Lyapunov分析并设计多维增益，结合混合整数凸优化生成满足多智能体STL任务的轨迹，提升系统鲁棒性和暂态性能。
2026-03-30 cs.MA cs.SY eess.SY
Learning Spatio-Temporal Specifications for Dynamical Systems
Boston University（波士顿大学）；Massachusetts Institute of Technology（麻省理工学院）
从数据中学习动态系统属性提供了重要的见解，有助于我们理解此类系统并减轻不期望的结果。在这项工作中，我们提出了一个框架，学习时空（ST）属性的形式逻辑规范的数据。我们介绍SVM-STL，信号信号时序逻辑（STL）的扩展，能够指定的空间和时间特性的广泛的动态系统，表现出随时间变化的空间模式。我们的框架利用机器学习技术，学习SVM-STL规范的空间模式序列给出的系统执行。我们提出的方法来处理标记和未标记的数据。此外，给定的系统要求的形式SVM-STL规范，我们提供了一种方法，参数合成，以找到最大限度地满足这些规格的参数。我们的学习框架和参数合成方法展示在一个反应扩散系统的例子。
2021-12-20 cs.CV cs.LG cs.RO
Distributed Communication-aware Motion Planning for Multi-agent Systems from STL and SpaTeL Specifications
University of Notre Dame（圣母大学）
本文提出一种分布式运动规划框架，结合STL和SpaTeL规格，实现通信质量与运动控制的协同设计。
2017-05-29 cs.LO cs.MA cs.RO
Time-Robust Path Planning with Piece-Wise Linear Trajectory for Signal Temporal Logic Specifications
针对时间不确定性场景，提出基于分段线性轨迹的STL路径规划方法，通过定义时间鲁棒性并编码为MILP，减少变量并提升长规划范围下的综合效率。
2024-03-15 cs.SY eess.SY
Risk of Stochastic Systems for Temporal Logic Specifications
数据的广泛可用性，加上人工智能和机器学习的计算进步，有望实现许多未来技术，如自动驾驶。虽然这些技术已经有了各种成功的示范，但多次报告了关键的系统故障。即使这种系统故障很少见，但如果没有严格的风险评估，这种系统故障也会对采用构成严重障碍。本文提出了一个系统和严格的系统风险验证的框架。我们认为制定信号时序逻辑（STL）的系统规范和模型的系统作为一个随机过程，允许离散时间和连续时间的随机过程。然后，我们将STL鲁棒性风险定义为缺乏鲁棒性的风险。这个定义的动机是因为系统故障往往是由于缺乏鲁棒性的建模误差，系统干扰，并在底层数据生成过程中的分布变化。在定义中，我们允许一般类别的风险度量，并专注于尾部风险度量，如风险价值和条件风险价值。虽然STL鲁棒性风险一般难以计算，但我们提出了近似的STL鲁棒性风险作为一个更易于处理的概念，该概念将STL鲁棒性风险上限化。我们展示了如何从系统轨迹数据中准确估计近似STL鲁棒性风险。对于离散时间随机过程，我们证明了在何种条件下近似STL鲁棒性风险甚至可以精确计算。我们说明了我们的验证算法在自动驾驶模拟器CARLA和显示如何风险最小的控制器可以选择四个神经网络车道保持控制器的五个有意义的系统规范。
2022-10-08 cs.FL cs.LO cs.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
Model Predictive Control for Signal Temporal Logic Specification
California Institute of Technology（加州理工学院）；UC Berkeley（加州大学伯克利分校）；C3 Energy Inc.（C3能源公司）
本文提出一种基于数学规划的模型预测控制方法，用于满足信号时间逻辑规范的物理系统。通过将STL规范编码为混合整数线性约束，实现系统变量的优化控制，实验展示了建筑能源和气候控制的控制器合成效果。
2017-03-28 cs.FL cs.LO cs.SY
Signal Temporal Logic Meets Convex-Concave Programming: A Structure-Exploiting SQP Algorithm for STL Specifications
Université Paris-Saclay（巴黎-萨克雷大学）；Osaka University（大阪大学）；Kyoto University（京都大学）
针对带STL规范的控制问题中现有SQP方法易陷局部极小值的缺陷，提出基于CCP的结构利用型SQP算法，通过鲁棒性分解构造DC规划并仅近似析取部分求解，在鲁棒性和计算时间上均优于现有方法。
2023-05-16 cs.FL cs.RO cs.SY
Smooth Robustness Measures for Symbolic Control Via Signal Temporal Logic
本文针对符号控制中STL鲁棒性度量非平滑非凸问题，推广并提出四种平滑鲁棒性度量，引入误差与梯度语义以优化选择并提高计算效率，经仿真验证。
2023-05-16 cs.SY eess.SY
Learning Robust and Correct Controllers from Signal Temporal Logic Specifications Using BarrierNet
Boston University（波士顿大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出利用 BarrierNet 和可训练高阶控制屏障函数，从 STL 规范学习保证满足性且更鲁棒的神经网络控制器，并在仿真中优于现有算法。
2023-04-12 cs.LG cs.SY eess.SY
Temporal Relaxation of Signal Temporal Logic Specifications for Resilient Control Synthesis
我们引入了一个度量，可以量化的信号时序逻辑（STL）规范的时间松弛，并促进弹性控制合成在面对不可行的。建议的度量量化的累积概念的子任务之间的放松，并尽量减少它产生的结构变化，在原来的STL规范的i）修改时间间隔，ii）删除子任务完全如果需要的。为此，我们制定了一个最优控制问题，提取状态和输入序列，最小限度地违反时间要求，同时实现所需的谓词。我们编码这个问题的计算效率的混合整数程序的形式。我们展示了一些新的度量的性质的理论结果。最后，我们提出了一个案例研究的机器人，最低限度地违反了所需的任务的时间限制，在面对的不可行性。
2022-12-11 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
A Geometric Decision Procedure for STL Feasibility and Repair
University of Auckland（奥克兰大学）
本文提出一种与时间视界无关的几何决策程序，通过将STL约束转化为空间可达集并解析求逆动态扩展，实现快速可行性检查与精确时间延迟修复，实验显示毫秒级执行与大幅加速。
2026-10-14 cs.RO cs.SY eess.SY
Bayesian Optimization for Polynomial Time Probabilistically Complete STL Trajectory Synthesis
本文提出了一种基于贝叶斯优化的STL轨迹综合方法，替代传统的混合整数线性规划方法，实现了多项式时间复杂度和线性预测数量的高效轨迹综合，同时保证了概率完备性。
2019-05-08 cs.RO cs.SY eess.SY
Recurrent Neural Network Controllers for Signal Temporal Logic Specifications Subject to Safety Constraints
Boston University（波士顿大学）
我们提出了一个框架，基于递归神经网络（RNNs），以确定一个离散时间系统，需要满足规格的信号时序逻辑（STL）公式的最佳控制策略。RNN可以存储系统随时间变化的信息，因此，使我们能够确定STL公式中指定的动态时间要求的满足情况。给定一个STL公式，一个满足系统执行的数据集和相应的控制策略，我们可以使用RNN根据系统的当前和以前的状态预测每次的控制策略。我们使用控制障碍函数（CBF）来保证预测控制策略的安全性。我们验证了我们的理论公式，并通过仿真证明了其性能的最优控制问题的部分未知的安全约束。
2020-09-24 cs.LG cs.SY eess.SY
Robust Counterexample-guided Optimization for Planning from Differentiable Temporal Logic
Massachusetts Institute of Technology（麻省理工学院）
信号时序逻辑（STL）提供了一个强大的，灵活的框架，指定复杂的自治任务，然而，现有的方法规划STL规范的基础上有困难的扩展到长期任务，并不强大的外部干扰。在本文中，我们提出了一个算法，找到强大的计划，满足STL规格。我们的方法在局部优化和局部证伪之间交替，使用自动可微的时序逻辑来迭代优化其计划，以响应证伪过程中发现的反例。我们基准我们的反例引导的规划方法对国家的最先进的规划方法对两个长地平线卫星交会任务，表明我们的方法发现高质量的计划，满足STL规范，尽管对抗干扰。我们发现，我们的方法始终找到对对抗性干扰具有鲁棒性的计划，并且所需时间不到竞争方法的一半。我们在https://github.com/MIT-REALM/architect上提供了规划器的实现。
2022-03-03 cs.RO cs.SY eess.SY
Guided Policy Improvement for Satisfying STL Tasks using Funnel Adaptation
我们介绍了一种基于采样的学习方法解决最优控制问题的任务满意度约束的系统与部分已知的动态。控制问题的定义是一个成本最小化和一个任务要满足，在信号时序逻辑（STL）的语言。可能的任务的复杂性通常使得它们难以通过随机探索来满足，这限制了学习算法的实际可行性。然而，最近的工作表明，使用控制器来引导学习过程，通过利用系统动力学的可用知识来帮助任务满意度，对于提高该方法的采样效率是非常有益的。出于这些发现，这项工作引入了一个控制器推导框架，自然导致计算效率高的控制器能够提供这样的指导，在学习过程中。派生的控制器的目的是满足一组所谓的鲁棒性规范或漏斗的原子命题构成STL任务的时间演变上施加。理想情况下，这些规范的规定方式，使他们的满意将导致STL任务的满意。然而，在实践中，这样的理想漏斗不一定是先验已知的，并且控制器提供的指导取决于它们的估计。在此通过引入用于在学习过程期间自动更新漏斗的自适应方案来解决这个问题，从而减少其初始用户指定值的作用。两个仿真案例研究证明了所得到的学习算法的有效性。
2020-04-12 cs.SY eess.SY
Control from Signal Temporal Logic Specifications with Smooth Cumulative Quantitative Semantics
Boston University（波士顿大学）；TU Wien（维也纳工业大学）
本文提出了一种从复杂时间约束生成非线性动态系统控制策略的框架，引入了平滑且可微的累积鲁棒性语义，并通过梯度上升算法求解一系列平滑优化问题来高效生成控制策略，同时展示了如何将这些技术整合到模型预测控制框架中以实现长时间 horizon 的控制策略合成。
2019-04-25 cs.SY eess.SY
Multi-agent Motion Planning from Signal Temporal Logic Specifications
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Massachusetts Institute of Technology（麻省理工学院）
我们解决了具有挑战性的问题，多智能体合作运动规划的复杂任务，使用信号时序逻辑（STL），机器人可以有非线性和非完整动力学。多智能体运动规划中的现有方法，特别是基于离散抽象和模型预测控制（MPC）的那些方法，在任务的复杂性、工作空间的大小和规划范围方面遭受有限的可扩展性。针对这一问题，提出了一种基于{ \em定时航路点\/}的方法。我们发现，定时路点可以帮助抽象的非线性行为的系统作为安全信封周围的参考路径定义的这些路点。然后搜索满足STL规范的航路点可以归纳编码为一个混合整数线性规划。智能体按照合成的定时航路点自动分配任务，并保证满足STL规范，同时避免冲突。我们评估的算法在各种各样的基准。结果表明，它支持多智能体规划从复杂的规格在长期的规划视野，并显着优于国家的最先进的抽象为基础的和基于MPC的运动规划方法。该实现可在https://github.com/sundw2014/STLPlanning上获得。
2022-01-13 cs.MA cs.RO cs.SY
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
Semi-Supervised Trajectory-Feedback Controller Synthesis for Signal Temporal Logic Specifications
Stanford University（斯坦福大学）
有时空规则规定机器人在复杂环境中应如何操作，例如，道路规则规定了（自动驾驶）车辆在道路上的行为。然而，将这些规则无缝地整合到机器人控制策略中仍然具有挑战性，特别是对于实时应用。在这项工作中，给定一个所需的时空规格表示的信号时序逻辑（STL）语言，我们提出了一个半监督控制器的合成技术，是调谐到类人的行为，同时满足所需的STL规范。离线时，我们通过对抗性训练方案合成了一个伪反馈神经网络控制器，该训练方案在计算控制时总结了过去的时空行为，然后在线时，我们执行梯度步骤以提高规范满意度。离线阶段的核心是一个基于模仿的正则化组件，它促进了更好的政策探索，并有助于诱导自然的人类行为。我们的实验表明，与仅在以前的工作中优化STL目标相比，具有基于模仿的正则化导致更高的定性和定量性能。我们证明了我们的方法的有效性与说明性的案例研究，并表明我们提出的控制器优于一个国家的最先进的射击方法在性能和计算时间。
2022-02-04 cs.RO cs.SY eess.SY
Control Barrier Function Contracts for Vehicular Mission Planning Under Signal Temporal Logic Specifications
我们提出了一种基于假设保证合同的组合控制综合方法，并将其应用于车辆任务计划的结构设计。在我们的方法中，一个任务级的规范表示在一个片段的信号时序逻辑（STL）被分解成定义在非重叠的时间间隔上的谓词。STL谓词然后被映射到与连续可微的时变控制障碍函数相关联的合约的聚合。采用障碍函数约束低层控制综合问题，通过二次规划求解。我们的方法可以避免保守性的任务驱动的控制方法的基础上欠近似。我们说明了其有效性的案例研究的动机下的车辆任务规划的安全约束，以及交通法规下的车辆到车辆和车辆到基础设施的通信的限制。
2022-09-20 cs.SY eess.SY
