論文の概要: Scaling GR(1) Synthesis via a Compositional Framework for LTL Discrete Event Control

• arxiv url: http://arxiv.org/abs/2506.16557v1
• Date: Thu, 19 Jun 2025 19:23:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.230979
• Title: Scaling GR(1) Synthesis via a Compositional Framework for LTL Discrete Event Control
• Title（参考訳）: LTL離散イベント制御のための合成フレームワークによるGR(1)のスケーリング
• Authors: Hernán Gagliardi, Victor Braberman, Sebastian Uchitel,
• Abstract要約: 本稿では、離散イベントシステムコントローラの制御器合成における構成的アプローチを提案する。 我々は、ラベリングされた遷移システムの集合として与えられたプラントのモジュラー構造を利用して制御する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We present a compositional approach to controller synthesis of discrete event system controllers with linear temporal logic (LTL) goals. We exploit the modular structure of the plant to be controlled, given as a set of labelled transition systems (LTS), to mitigate state explosion that monolithic approaches to synthesis are prone to. Maximally permissive safe controllers are iteratively built for subsets of the plant LTSs by solving weaker control problems. Observational synthesis equivalence is used to reduce the size of the controlled subset of the plant by abstracting away local events. The result of synthesis is also compositional, a set of controllers that when run in parallel ensure the LTL goal. We implement synthesis in the MTSA tool for an expressive subset of LTL, GR(1), and show it computes solutions to that can be up to 1000 times larger than those that the monolithic approach can solve.
• Abstract（参考訳）: 本稿では,線形時間論理(LTL)を目標とした離散イベントシステムコントローラの構成法を提案する。 プラントのモジュール構造をラベル付けされた遷移系 (LTS) の集合として利用することにより, モノリシックな合成アプローチが好まれる状態の爆発を緩和する。 最大パーミッシブセーフコントローラは、より弱い制御問題を解くことにより、プラントLTSのサブセットに対して反復的に構築される。 観測的合成等価性は、局所的な事象を抽象化することで、植物の制御されたサブセットのサイズを減らすために用いられる。 合成の結果も構成的であり、並列に実行されるとTLLのゴールが保証される。 LTLの表現的部分集合GR(1)に対してMTSAツールで合成を実装し、モノリシックアプローチで解けるものよりも1000倍も大きい解を計算できることを示す。

関連論文リスト

• SymRTLO: Enhancing RTL Code Optimization with LLMs and Neuron-Inspired Symbolic Reasoning [18.40402135952776]
  本稿では,新しいニューロン-シンボリックRTL最適化フレームワークであるSymRTLOを提案する。 有限状態機械(FSM)論理の解析と最適化のための記号モジュールを提案する。 Synopsys Design Compiler と Yosys による RTL-Rewriter ベンチマークの実験では、SymRTLO は 43.9% と 62.5% と 51.1% に向上している。
  論文  参考訳（メタデータ） (2025-04-14T16:15:55Z)
• Predictable and Performant Reactive Synthesis Modulo Theories via Functional Synthesis [1.1797787239802762]
  本稿では,古典的リアクティブハンドル(命題)を仕様言語として,時間論理仕様から正しいコントローラを生成する方法を示す。 また,制御器が常に最小の安全値を提供するために出力を最適化できるという意味で応答が可能であることを示す。
  論文  参考訳（メタデータ） (2024-07-12T15:23:27Z)
• Efficient Reactive Synthesis Using Mode Decomposition [0.0]
  そこで本研究では,モードに基づく新しい分解アルゴリズムを提案する。 我々のアルゴリズムへの入力は、元の仕様とモードの記述である。 サブ仕様の自動生成方法を示し、全てのサブプロブレムが実現可能であれば、完全な仕様が実現可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-14T08:01:35Z)
• Large Language Models as General Pattern Machines [64.75501424160748]
  我々は,事前訓練された大規模言語モデル (LLM) が,複雑なトークンシーケンスを自動回帰的に完了することを示す。 驚いたことに、語彙からランダムにサンプリングされたトークンを用いてシーケンスが表現された場合でも、パターン完了の習熟度を部分的に保持することができる。 本研究では,ロボット工学における問題に対して,これらのゼロショット機能がどのように適用されるかを検討する。
  論文  参考訳（メタデータ） (2023-07-10T17:32:13Z)
• MULTIGAIN 2.0: MDP controller synthesis for multiple mean-payoff, LTL and steady-state constraints [41.94295877935867]
  コントローラ合成ツールMultiGAINのメジャー拡張であるMultiGAIN 2.0を提案する。 確率論的モデルチェッカー PRISM 上に構築されている。
  論文  参考訳（メタデータ） (2023-05-26T08:59:51Z)
• Learning Bounded Context-Free-Grammar via LSTM and the Transformer:Difference and Explanations [51.77000472945441]
  Long Short-Term Memory (LSTM) と Transformer は、自然言語処理タスクに使用される2つの一般的なニューラルネットワークアーキテクチャである。 実際には、トランスフォーマーモデルの方がLSTMよりも表現力が高いことがよく見られる。 本研究では,LSTMとTransformerの実践的差異について検討し,その潜在空間分解パターンに基づく説明を提案する。
  論文  参考訳（メタデータ） (2021-12-16T19:56:44Z)
• Deep Reinforcement Learning for Wireless Scheduling in Distributed Networked Control [37.10638636086814]
  完全分散無線制御システム(WNCS)の周波数チャネル数に制限のある結合アップリンクとダウンリンクのスケジューリング問題を考える。 深層強化学習(DRL)に基づくフレームワークを開発した。 DRLにおける大きなアクション空間の課題に対処するために,新しいアクション空間削減法とアクション埋め込み法を提案する。
  論文  参考訳（メタデータ） (2021-09-26T11:27:12Z)
• Learning Optimal Strategies for Temporal Tasks in Stochastic Games [23.012106429532633]
  本稿では,モデルフリー強化学習(RL)アプローチを導入し,与えられた仕様からコントローラを導出する。 我々は,最悪の環境行動に対する仕様を満たす確率を最大化する最適制御戦略を学習する。
  論文  参考訳（メタデータ） (2021-02-08T16:10:50Z)
• Policy Analysis using Synthetic Controls in Continuous-Time [101.35070661471124]
  因果推論における手法開発において, 合成制御を用いた因果推定は最も成功した手法の1つである。 本稿では,制御された微分方程式の定式化を明示的に用い,潜在反事実経路をモデル化する連続時間代替法を提案する。
  論文  参考訳（メタデータ） (2021-02-02T16:07:39Z)
• LTLf Synthesis on Probabilistic Systems [0.0]
  合成は、この行動を達成する確率を最大化するポリシーを見つけるために用いられる。 有限トレース特性を与えられた振る舞いに対するポリシー合成を解くための道具は存在しない。 本稿では,マルコフプロセスの削減による2つの問題を解決するアルゴリズムと,オートマトンフのための2番目のネイティブツールを提案する。
  論文  参考訳（メタデータ） (2020-09-23T01:26:47Z)
• Certified Reinforcement Learning with Logic Guidance [78.2286146954051]
  線形時間論理(LTL)を用いて未知の連続状態/動作マルコフ決定過程(MDP)のゴールを定式化できるモデルフリーなRLアルゴリズムを提案する。 このアルゴリズムは、トレースが仕様を最大確率で満たす制御ポリシーを合成することが保証される。
  論文  参考訳（メタデータ） (2019-02-02T20:09:32Z)

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。