TeLoGraF: Temporale Logikplanung durch graphenkodierte Flussanpassung

TeLoGraF: Temporal Logic Planning via Graph-encoded Flow Matching

May 1, 2025

Autoren: Yue Meng, Chuchu Fan

cs.AI

Zusammenfassung

Das Erlernen der Lösung komplexer Aufgaben mit Spezifikationen der Signal Temporal Logic (STL) ist für viele reale Anwendungen von entscheidender Bedeutung. Die meisten bisherigen Arbeiten betrachten jedoch nur feste oder parametrisierte STL-Spezifikationen, da es an einem vielfältigen STL-Datensatz und Encodern mangelt, um zeitliche Logikinformationen effektiv für nachgelagerte Aufgaben zu extrahieren. In diesem Artikel schlagen wir TeLoGraF, Temporal Logic Graph-encoded Flow, vor, das Graph Neural Networks (GNN)-Encoder und Flow-Matching nutzt, um Lösungen für allgemeine STL-Spezifikationen zu erlernen. Wir identifizieren vier häufig verwendete STL-Vorlagen und sammeln insgesamt 200.000 Spezifikationen mit gepaarten Demonstrationen. Wir führen umfangreiche Experimente in fünf Simulationsumgebungen durch, die von einfachen dynamischen Modellen im 2D-Raum bis hin zu hochdimensionalen 7DoF Franka Panda-Roboterarmen und Ant-Vierbeiner-Navigation reichen. Die Ergebnisse zeigen, dass unsere Methode andere Baselines in der STL-Erfüllungsrate übertrifft. Im Vergleich zu klassischen STL-Planungsalgorithmen ist unser Ansatz 10-100 Mal schneller in der Inferenz und kann auf jeder Systemdynamik arbeiten. Darüber hinaus zeigen wir die Fähigkeit unserer Graph-Encodierungsmethode, komplexe STLs zu lösen, und ihre Robustheit gegenüber Out-of-Distribution-STL-Spezifikationen. Der Code ist verfügbar unter https://github.com/mengyuest/TeLoGraF.

English

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