TeLoGraF: 그래프 인코딩 흐름 매칭을 통한 시간적 논리 계획

TeLoGraF: Temporal Logic Planning via Graph-encoded Flow Matching

May 1, 2025

저자: Yue Meng, Chuchu Fan

cs.AI

초록

신호 시간 논리(STL) 사양을 통해 복잡한 작업을 해결하는 방법을 학습하는 것은 많은 실제 응용 분야에서 매우 중요합니다. 그러나 대부분의 기존 연구는 다양한 STL 데이터셋과 하위 작업을 위한 시간 논리 정보를 효과적으로 추출할 수 있는 인코더가 부족하기 때문에 고정되거나 매개변수화된 STL 사양만을 고려했습니다. 본 논문에서는 그래프 신경망(GNN) 인코더와 흐름 매칭을 활용하여 일반적인 STL 사양에 대한 해결책을 학습하는 TeLoGraF(Temporal Logic Graph-encoded Flow)를 제안합니다. 우리는 널리 사용되는 네 가지 STL 템플릿을 식별하고 총 20만 개의 사양과 짝을 이루는 데모를 수집했습니다. 2D 공간의 단순한 동적 모델부터 고차원의 7DoF Franka Panda 로봇 팔과 Ant 사족 보행 로봇의 탐색에 이르기까지 다섯 가지 시뮬레이션 환경에서 광범위한 실험을 수행했습니다. 결과는 우리의 방법이 STL 만족률에서 다른 기준선들을 능가함을 보여줍니다. 기존의 STL 계획 알고리즘과 비교할 때, 우리의 접근 방식은 추론 속도가 10~100배 빠르며 모든 시스템 동역학에서 작동할 수 있습니다. 또한, 우리의 그래프 인코딩 방법이 복잡한 STL을 해결할 수 있는 능력과 분포 외 STL 사양에 대한 견고성을 보여줍니다. 코드는 https://github.com/mengyuest/TeLoGraF에서 확인할 수 있습니다.

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