TeLoGraF: Temporal Logic Planning via Graph-encoded Flow Matching

要約

信号時間論理（STL）仕様で複雑なタスクを解決することを学ぶことは、多くの現実世界のアプリケーションにとって重要です。
ただし、以前の作業のほとんどは、ダウンストリームタスクの時間的論理情報を効果的に抽出するための多様なSTLデータセットとエンコーダがないため、固定またはパラメータ化されたSTL仕様のみを考慮しています。
この論文では、グラフニューラルネットワーク（GNN）エンコーダとフローマッチングを使用して、一般的なSTL仕様のソリューションを学習するために、グラフニューラルネットワーク（GNN）エンコーダーとフローマッチングを使用するTelografであるTelografを提案します。
一般的に使用される4つのSTLテンプレートを特定し、ペアのデモンストレーションを使用して合計200K仕様を収集します。
2Dスペースの単純な動的モデルから、高次元7DOFフランカパンダロボットアームとアリの4倍ナビゲーションに至るまで、5つのシミュレーション環境で広範な実験を実施します。
結果は、私たちの方法がSTL満足度の他のベースラインよりも優れていることを示しています。
古典的なSTL計画アルゴリズムと比較して、私たちのアプローチは推論が10〜100倍高速であり、あらゆるシステムのダイナミクスに取り組むことができます。
その上、複雑なSTLと堅牢性を分散分布STL仕様に解決するグラフエンコード法の機能を示します。
コードはhttps://github.com/mengyuest/telografで入手できます

要約(オリジナル)

Learning to solve complex tasks with signal temporal logic (STL) specifications is crucial to many real-world applications. However, most previous works only consider fixed or parametrized STL specifications due to the lack of a diverse STL dataset and encoders to effectively extract temporal logic information for downstream tasks. In this paper, we propose TeLoGraF, Temporal Logic Graph-encoded Flow, which utilizes Graph Neural Networks (GNN) encoder and flow-matching to learn solutions for general STL specifications. We identify four commonly used STL templates and collect a total of 200K specifications with paired demonstrations. We conduct extensive experiments in five simulation environments ranging from simple dynamical models in the 2D space to high-dimensional 7DoF Franka Panda robot arm and Ant quadruped navigation. Results show that our method outperforms other baselines in the STL satisfaction rate. Compared to classical STL planning algorithms, our approach is 10-100X faster in inference and can work on any system dynamics. Besides, we show our graph-encoding method’s capability to solve complex STLs and robustness to out-distribution STL specifications. Code is available at https://github.com/mengyuest/TeLoGraF

arxiv情報

提供元, 利用サービス

arxiv.jp, Google