TeLoGraF: Planificación de Lógica Temporal mediante Emparejamiento de Flujos Codificados en Grafos

TeLoGraF: Temporal Logic Planning via Graph-encoded Flow Matching

May 1, 2025

Autores: Yue Meng, Chuchu Fan

cs.AI

Resumen

Aprender a resolver tareas complejas con especificaciones de lógica temporal de señales (STL, por sus siglas en inglés) es crucial para muchas aplicaciones del mundo real. Sin embargo, la mayoría de los trabajos previos solo consideran especificaciones STL fijas o parametrizadas debido a la falta de un conjunto de datos STL diverso y codificadores que extraigan eficazmente la información de lógica temporal para tareas posteriores. En este artículo, proponemos TeLoGraF, Flujo Codificado en Grafos de Lógica Temporal, que utiliza codificadores de Redes Neuronales de Grafos (GNN) y emparejamiento de flujo para aprender soluciones para especificaciones STL generales. Identificamos cuatro plantillas STL comúnmente utilizadas y recopilamos un total de 200K especificaciones con demostraciones emparejadas. Realizamos experimentos exhaustivos en cinco entornos de simulación que van desde modelos dinámicos simples en el espacio 2D hasta un brazo robótico Franka Panda de 7 grados de libertad (7DoF) y la navegación de un cuadrúpedo Ant en alta dimensión. Los resultados muestran que nuestro método supera a otras líneas base en la tasa de satisfacción de STL. En comparación con los algoritmos clásicos de planificación STL, nuestro enfoque es 10-100 veces más rápido en inferencia y puede funcionar con cualquier dinámica del sistema. Además, demostramos la capacidad de nuestro método de codificación en grafos para resolver STL complejas y su robustez frente a especificaciones STL fuera de distribución. El código está disponible en 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