論文の概要: TeLoGraF: Temporal Logic Planning via Graph-encoded Flow Matching

• arxiv url: http://arxiv.org/abs/2505.00562v1
• Date: Thu, 01 May 2025 14:40:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.336974
• Title: TeLoGraF: Temporal Logic Planning via Graph-encoded Flow Matching
• Title（参考訳）: TeLoGraF:グラフ符号化フローマッチングによる時間論理計画
• Authors: Yue Meng, Chuchu Fan,
• Abstract要約: 本稿では,時相論理グラフ符号化フローであるTeLoGraFを提案する。 我々は2次元空間における単純な力学モデルから高次元フランク・パンダ・ロボットアームまで,5つのシミュレーション環境で実験を行った。 私たちのアプローチは推論で10-100倍高速で、どんなシステムでも動かせる。
• 参考スコア（独自算出の注目度）: 13.154661571539577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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
• Abstract（参考訳）: 信号時間論理(STL)仕様で複雑なタスクを解くことは、現実世界の多くのアプリケーションにとって不可欠である。 しかし、従来のほとんどの研究は、下流タスクの時間論理情報を効果的に抽出する多様なSTLデータセットとエンコーダが欠如しているため、固定またはパラメータ化されたSTL仕様のみを考慮する。 本稿では、グラフニューラルネットワーク(GNN)エンコーダとフローマッチングを用いて、一般的なSTL仕様の解を学習するTeLoGraF, Temporal Logic Graph-encoded Flowを提案する。 一般的な4つのSTLテンプレートを特定し、合計200Kの仕様をペアで収集する。 我々は,2次元空間における単純な力学モデルから,Franka Pandaロボットアーム,Ant四足歩行に至るまで,5つのシミュレーション環境で広範囲にわたる実験を行った。 その結果,本手法はSTL満足度において,他のベースラインよりも優れていた。 従来のSTL計画アルゴリズムと比較すると,提案手法は推論において10～100倍高速であり,任意のシステムダイナミクスに対処できる。 さらに、複雑なSTLを解くためのグラフ符号化手法の能力と、アウト・ディストリビューションSTL仕様に対するロバスト性を示す。 コードはhttps://github.com/mengyuest/TeLoGraFで入手できる。

関連論文リスト

• Zero-Shot Trajectory Planning for Signal Temporal Logic Tasks [3.831690197072918]
  Signal Temporal Logic (STL) は、連続信号の複雑な時間的挙動を記述するための強力な仕様言語である。 STLタスクの実行可能な計画を生成することは、タスク仕様とシステムダイナミクスの結合を考慮する必要があるため、難しい。 本稿では、オフライントレーニング段階においてタスク非依存のデータのみを使用する新しい計画フレームワークを提案し、新しいSTLタスクにゼロショットの一般化を可能にする。
  論文  参考訳（メタデータ） (2025-01-23T08:15:52Z)
• STLCG++: A Masking Approach for Differentiable Signal Temporal Logic Specification [8.017203108408975]
  STLCG++は,STL計算を時間ステップで並列化するマスキングに基づく手法である。 また,時間間隔境界による時間的有界性の異なるスムース化手法も導入する。 STLCG++のメリットを,3つのロボティクスユースケースを通じて実証し,JAXとPyTorchのオープンソースPythonライブラリを提供する。
  論文  参考訳（メタデータ） (2025-01-08T00:06:43Z)
• Constrained LTL Specification Learning from Examples [8.544277223210894]
  制約学習と呼ばれる新しいタイプの学習問題を提案する。 肯定的な例と否定的な例に加えて、ユーザーは公式の特性に関する1つ以上の制約を指定できる。 実験により、ATLASは、最先端の学習ツールよりも優れた性能を保ちながら、新しいタイプの学習問題を解決することができることを示した。
  論文  参考訳（メタデータ） (2024-12-03T23:15:27Z)
• DCP: Learning Accelerator Dataflow for Neural Network via Propagation [52.06154296196845]
  この研究は、DNN層の最適なデータフローを人間の努力なしに数秒で自動的に見つけるために、Dataflow Code Propagation (DCP)と呼ばれる効率的なデータ中心のアプローチを提案する。 DCPは、様々な最適化目標を最小化するために、望ましい勾配方向に向けてデータフローコードを効率的に更新する神経予測器を学習する。 例えば、追加のトレーニングデータを使用しないDCPは、数千のサンプルを使用して完全な検索を行うGAMAメソッドを超越している。
  論文  参考訳（メタデータ） (2024-10-09T05:16:44Z)
• Towards Unified Token Learning for Vision-Language Tracking [65.96561538356315]
  本稿では,VL追跡をトークン生成タスクとして用いた「textbfMMTrack」という,視覚言語(VL)追跡パイプラインを提案する。 提案フレームワークは,言語記述と境界ボックスを離散トークン列にシリアライズする。 この新しい設計パラダイムでは、全てのトークンクエリが望ましいターゲットを認識し、ターゲットの空間座標を直接予測するために必要となる。
  論文  参考訳（メタデータ） (2023-08-27T13:17:34Z)
• Deformable Mixer Transformer with Gating for Multi-Task Learning of Dense Prediction [126.34551436845133]
  CNNとTransformerには独自の利点があり、MTL(Multi-task Learning)の高密度予測に広く使われている。 本稿では,変形可能なCNNと問合せベースのTransformerの長所を共用したMTLモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-10T17:37:49Z)
• Teal: Learning-Accelerated Optimization of WAN Traffic Engineering [68.7863363109948]
  本稿では,GPUの並列処理能力を活用してTE制御を高速化する学習型TEアルゴリズムTealを提案する。 問題スケールの削減と学習のトラクタビリティ向上のために,Tealはマルチエージェント強化学習(RL)アルゴリズムを用いて,各トラフィック要求を独立に割り当てる。 他のTE加速方式と比較して、Tealは需要を6～32%増やし、197～625倍のスピードアップを達成している。
  論文  参考訳（メタデータ） (2022-10-25T04:46:30Z)
• Interactive Learning from Natural Language and Demonstrations using Signal Temporal Logic [5.88797764615148]
  自然言語(NL)は曖昧で、現実世界のタスクであり、それらの安全性要件はあいまいにコミュニケーションする必要がある。 Signal Temporal Logic (STL) は、ロボットタスクを記述するための汎用的で表現力があり、曖昧な形式言語として機能する形式論理である。 DIALOGUESTLは,(しばしば)曖昧なNL記述から正確かつ簡潔なSTL公式を学習するための対話的手法である。
  論文  参考訳（メタデータ） (2022-07-01T19:08:43Z)
• NumS: Scalable Array Programming for the Cloud [82.827921577004]
  タスクベース分散システム上でNumPyのような表現を最適化する配列プログラミングライブラリであるNumSを提案する。 これはLoad Simulated Hierarchical Scheduling (LSHS)と呼ばれる新しいスケジューラによって実現される。 LSHSは、ネットワーク負荷を2倍減らし、メモリを4倍減らし、ロジスティック回帰問題において実行時間を10倍減らし、Rayの性能を向上させる。
  論文  参考訳（メタデータ） (2022-06-28T20:13:40Z)
• Combining Label Propagation and Simple Models Out-performs Graph Neural Networks [52.121819834353865]
  多くの標準的なトランスダクティブノード分類ベンチマークでは、最先端のGNNの性能を超えたり、一致させることができる。 これをC&S(Correct and Smooth)と呼ぶ。 我々のアプローチは、様々なベンチマークで最先端のGNNの性能を上回るか、ほぼ一致している。
  論文  参考訳（メタデータ） (2020-10-27T02:10:52Z)
• Backpropagation through Signal Temporal Logic Specifications: Infusing Logical Structure into Gradient-Based Methods [28.72161643908351]
  本稿では,STLCG(Signal Temporal Logic)公式の定量的意味を計算グラフを用いて計算する手法を提案する。 STLは、連続系とハイブリッド系の両方で生成される信号の空間的および時間的特性を指定できる、強力で表現力のある形式言語である。
  論文  参考訳（メタデータ） (2020-07-31T22:01:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。