TeLoGraF: Planejamento de Lógica Temporal via Correspondência de Fluxo Codificada em Grafos

TeLoGraF: Temporal Logic Planning via Graph-encoded Flow Matching

May 1, 2025

Autores: Yue Meng, Chuchu Fan

cs.AI

Resumo

Aprender a resolver tarefas complexas com especificações de lógica temporal de sinais (STL) é crucial para muitas aplicações do mundo real. No entanto, a maioria dos trabalhos anteriores considera apenas especificações STL fixas ou parametrizadas devido à falta de um conjunto de dados STL diversificado e de codificadores para extrair efetivamente informações de lógica temporal para tarefas subsequentes. Neste artigo, propomos o TeLoGraF, Fluxo Codificado em Grafos de Lógica Temporal, que utiliza uma codificação por Redes Neurais de Grafos (GNN) e correspondência de fluxo para aprender soluções para especificações STL gerais. Identificamos quatro modelos STL comumente usados e coletamos um total de 200 mil especificações com demonstrações pareadas. Realizamos experimentos extensos em cinco ambientes de simulação, variando de modelos dinâmicos simples no espaço 2D até o braço robótico Franka Panda de 7 graus de liberdade e a navegação do quadrúpede Ant em alta dimensionalidade. Os resultados mostram que nosso método supera outras abordagens de referência na taxa de satisfação STL. Em comparação com algoritmos clássicos de planejamento STL, nossa abordagem é 10 a 100 vezes mais rápida na inferência e pode funcionar com qualquer dinâmica de sistema. Além disso, demonstramos a capacidade de nosso método de codificação em grafos para resolver STLs complexas e sua robustez a especificações STL fora da distribuição. O código está disponível em 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