TeLoGraF: Pianificazione Logica Temporale tramite Abbinamento di Flussi Codificati in Grafi

TeLoGraF: Temporal Logic Planning via Graph-encoded Flow Matching

May 1, 2025

Autori: Yue Meng, Chuchu Fan

cs.AI

Abstract

Imparare a risolvere compiti complessi con specifiche di logica temporale a segnale (STL) è cruciale per molte applicazioni del mondo reale. Tuttavia, la maggior parte dei lavori precedenti considera solo specifiche STL fisse o parametrizzate a causa della mancanza di un dataset STL diversificato e di encoder in grado di estrarre efficacemente le informazioni di logica temporale per compiti successivi. In questo articolo, proponiamo TeLoGraF, Temporal Logic Graph-encoded Flow, che utilizza un encoder basato su reti neurali a grafo (GNN) e il flow-matching per apprendere soluzioni per specifiche STL generali. Identifichiamo quattro modelli STL comunemente utilizzati e raccogliamo un totale di 200K specifiche con dimostrazioni accoppiate. Condividiamo esperimenti estensivi in cinque ambienti simulati, che vanno da semplici modelli dinamici nello spazio 2D ad ambienti ad alta dimensionalità come il braccio robotico Franka Panda a 7 gradi di libertà e la navigazione del quadrupede Ant. I risultati mostrano che il nostro metodo supera altre baseline nel tasso di soddisfazione STL. Rispetto agli algoritmi classici di pianificazione STL, il nostro approccio è 10-100 volte più veloce nell'inferenza e può funzionare con qualsiasi dinamica di sistema. Inoltre, dimostriamo la capacità del nostro metodo di codifica a grafo di risolvere STL complesse e la sua robustezza rispetto a specifiche STL fuori distribuzione. Il codice è disponibile all'indirizzo 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