TeLoGraF : Planification logique temporelle via appariement de flux encodé par graphe

TeLoGraF: Temporal Logic Planning via Graph-encoded Flow Matching

May 1, 2025

Auteurs: Yue Meng, Chuchu Fan

cs.AI

Résumé

Apprendre à résoudre des tâches complexes avec des spécifications de logique temporelle des signaux (STL) est crucial pour de nombreuses applications réelles. Cependant, la plupart des travaux précédents ne considèrent que des spécifications STL fixes ou paramétrées en raison de l'absence d'un ensemble de données STL diversifié et d'encodeurs capables d'extraire efficacement les informations de logique temporelle pour les tâches en aval. Dans cet article, nous proposons TeLoGraF, Temporal Logic Graph-encoded Flow, qui utilise un encodeur basé sur les réseaux de neurones graphiques (GNN) et la correspondance de flux pour apprendre des solutions pour des spécifications STL générales. Nous identifions quatre modèles STL couramment utilisés et collectons un total de 200K spécifications accompagnées de démonstrations. Nous menons des expériences approfondies dans cinq environnements de simulation, allant de modèles dynamiques simples dans l'espace 2D à des systèmes de haute dimension comme le bras robotique Franka Panda à 7 degrés de liberté et la navigation du quadrupède Ant. Les résultats montrent que notre méthode surpasse les autres approches de référence en termes de taux de satisfaction des spécifications STL. Par rapport aux algorithmes classiques de planification STL, notre approche est 10 à 100 fois plus rapide en inférence et peut fonctionner avec n'importe quelle dynamique de système. De plus, nous démontrons la capacité de notre méthode d'encodage graphique à résoudre des STL complexes et sa robustesse face à des spécifications STL hors distribution. Le code est disponible à l'adresse suivante : 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