TeLoGraF: Планирование с использованием временной логики через сопоставление потоков, закодированных графами

TeLoGraF: Temporal Logic Planning via Graph-encoded Flow Matching

May 1, 2025

Авторы: Yue Meng, Chuchu Fan

cs.AI

Аннотация

Обучение решению сложных задач с использованием спецификаций временной логики сигналов (STL) имеет критически важное значение для многих реальных приложений. Однако большинство предыдущих работ рассматривают только фиксированные или параметризованные спецификации STL из-за отсутствия разнообразного набора данных STL и кодировщиков, способных эффективно извлекать информацию временной логики для последующих задач. В данной статье мы предлагаем TeLoGraF, Temporal Logic Graph-encoded Flow, который использует кодировщик на основе графовых нейронных сетей (GNN) и метод согласования потоков для обучения решений для общих спецификаций STL. Мы выделяем четыре часто используемых шаблона STL и собираем в общей сложности 200 тысяч спецификаций с парными демонстрациями. Мы проводим обширные эксперименты в пяти симуляционных средах, начиная от простых динамических моделей в двумерном пространстве и заканчивая высокоразмерными задачами для 7-степенного манипулятора Franka Panda и навигации четвероногого робота Ant. Результаты показывают, что наш метод превосходит другие базовые подходы по уровню удовлетворения спецификаций STL. По сравнению с классическими алгоритмами планирования STL, наш подход работает в 10-100 раз быстрее на этапе вывода и может применяться к любым системным динамикам. Кроме того, мы демонстрируем способность нашего метода графового кодирования решать сложные задачи STL и его устойчивость к спецификациям STL, выходящим за пределы распределения. Код доступен по адресу 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