Zero-Shot Trajectory Planning for Signal Temporal Logic Tasks

要約

Signal Temporal Logic (STL) は、連続信号の複雑な時間的動作を記述するための強力な仕様言語であり、高レベルのロボット タスクの記述に適しています。
ただし、STL タスクの実行可能プランを生成することは、タスクの仕様とシステムのダイナミクスの間の結合を考慮する必要があるため、困難です。
既存のアプローチは、システムダイナミクスの知識を明示的に必要とするモデルベースの設定に従うか、特定のタスクの計画を学習するためにタスク指向のデータ駆動型アプローチを採用します。
この研究では、ダイナミクスがアプリオリに不明なシステムに対して実行可能な STL プランを生成する問題を調査します。
私たちは、オフライン トレーニング段階でタスクに依存しないデータのみを使用し、新しい STL タスクへのゼロショット一般化を可能にする新しい計画フレームワークを提案します。
私たちのフレームワークは階層的であり、(i) STL タスクを一連の進行状況と時間制約に分解すること、(ii) タスクに依存しないデータに基づいて時間認識ウェイポイントを検索すること、(iii) 事前トレーニングされたツールを使用して軌道を生成することが含まれます。
安心の普及モデル。
シミュレーション結果は、さまざまな STL タスクに対するゼロショット一般化を達成する上で、実際に私たちの方法の有効性を示しています。

要約(オリジナル)

Signal Temporal Logic (STL) is a powerful specification language for describing complex temporal behaviors of continuous signals, making it well-suited for high-level robotic task descriptions. However, generating executable plans for STL tasks is challenging, as it requires consideration of the coupling between the task specification and the system dynamics. Existing approaches either follow a model-based setting that explicitly requires knowledge of the system dynamics or adopt a task-oriented data-driven approach to learn plans for specific tasks. In this work, we investigate the problem of generating executable STL plans for systems whose dynamics are unknown a priori. We propose a new planning framework that uses only task-agnostic data during the offline training stage, enabling zero-shot generalization to new STL tasks. Our framework is hierarchical, involving: (i) decomposing the STL task into a set of progress and time constraints, (ii) searching for time-aware waypoints guided by task-agnostic data, and (iii) generating trajectories using a pre-trained safe diffusion model. Simulation results demonstrate the effectiveness of our method indeed in achieving zero-shot generalization to various STL tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google