TeLoGraF: Temporele Logica Planning via Graf-gecodeerde Stroomafstemming

TeLoGraF: Temporal Logic Planning via Graph-encoded Flow Matching

May 1, 2025

Auteurs: Yue Meng, Chuchu Fan

cs.AI

Samenvatting

Het leren oplossen van complexe taken met specificaties in signaal-temporele logica (STL) is cruciaal voor veel real-world toepassingen. Echter houden de meeste eerdere werken alleen rekening met vaste of geparametriseerde STL-specificaties vanwege het ontbreken van een diverse STL-dataset en encoders om temporele logica-informatie effectief te extraheren voor downstream taken. In dit artikel stellen we TeLoGraF voor, Temporal Logic Graph-encoded Flow, dat gebruikmaakt van Graph Neural Networks (GNN) encoders en flow-matching om oplossingen te leren voor algemene STL-specificaties. We identificeren vier veelgebruikte STL-sjablonen en verzamelen in totaal 200K specificaties met gekoppelde demonstraties. We voeren uitgebreide experimenten uit in vijf simulatieomgevingen, variërend van eenvoudige dynamische modellen in de 2D-ruimte tot hoogdimensionale 7DoF Franka Panda-robotarmen en Ant-quadruped-navigatie. De resultaten tonen aan dat onze methode andere baseline-methoden overtreft in de STL-satisfactiegraad. Vergeleken met klassieke STL-planningsalgoritmen is onze aanpak 10-100X sneller in inferentie en kan werken op elk systeemdynamiek. Daarnaast tonen we de mogelijkheid van onze grafencoderingmethode om complexe STL's op te lossen en de robuustheid tegen out-distribution STL-specificaties. Code is beschikbaar op 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