論文の概要: Differentiable SpaTiaL: Symbolic Learning and Reasoning with Geometric Temporal Logic for Manipulation Tasks

• arxiv url: http://arxiv.org/abs/2604.02643v2
• Date: Tue, 07 Apr 2026 23:57:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 14:06:04.982728
• Title: Differentiable SpaTiaL: Symbolic Learning and Reasoning with Geometric Temporal Logic for Manipulation Tasks
• Title（参考訳）: 微分可能な SpaTiaL: 操作タスクのための幾何学的時間論理を用いた記号学習と推論
• Authors: Licheng Luo, Kaier Liang, Cristian-Ioan Vasile, Mingyu Cai,
• Abstract要約: 乱雑な環境で複雑な操作を行うには、幾何学的および時間的制約を満たす必要がある。 多角形集合上でスムーズで自己階数互換な幾何的プリミティブを直接構成する、完全にテンソル化されたツールボックスである微分可能なSpaTiaLを提案する。 鍵空間述語を微分可能緩和することにより、高レベルな仕様から低レベルな幾何学的構成へのエンドツーエンドの異なる意味的マッピングを可能にする。
• 参考スコア（独自算出の注目度）: 10.590774471054255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Executing complex manipulation in cluttered environments requires satisfying coupled geometric and temporal constraints. Although Spatio-Temporal Logic (SpaTiaL) offers a principled specification framework, its use in gradient-based optimization is limited by non-differentiable geometric operations. Existing differentiable temporal logics focus on the robot's internal state and neglect interactive object-environment relations, while spatial logic approaches that capture such interactions rely on discrete geometry engines that break the computational graph and preclude exact gradient propagation. To overcome this limitation, we propose Differentiable SpaTiaL, a fully tensorized toolbox that constructs smooth, autograd-compatible geometric primitives directly over polygonal sets. To the best of our knowledge, this is the first end-to-end differentiable symbolic spatio-temporal logic toolbox. By analytically deriving differentiable relaxations of key spatial predicates--including signed distance, intersection, containment, and directional relations--we enable an end-to-end differentiable mapping from high-level semantic specifications to low-level geometric configurations, without invoking external discrete solvers. This fully differentiable formulation unlocks two core capabilities: (i) massively parallel trajectory optimization under rigorous spatio-temporal constraints, and (ii) direct learning of spatial logic parameters from demonstrations via backpropagation. Experimental results validate the effectiveness and scalability of the proposed framework.
• Abstract（参考訳）: 乱雑な環境で複雑な操作を行うには、幾何的制約と時間的制約が組み合わさって満足する必要がある。 Spatio-Temporal Logic (SpaTiaL) は基本的な仕様フレームワークを提供するが、勾配に基づく最適化は微分不可能な幾何演算によって制限される。 既存の微分可能な時間論理はロボットの内部状態に焦点を合わせ、対話的なオブジェクト環境関係を無視するが、そのような相互作用を捉える空間論理のアプローチは、計算グラフを破り正確な勾配伝播を妨げる離散幾何学エンジンに依存している。 この制限を克服するために、多角形集合を直接的にスムーズで自己階数互換な幾何学的プリミティブを構成する、完全にテンソル化されたツールボックスである Disliable SpaTiaL を提案する。 私たちの知る限りでは、これは最初のエンドツーエンドの差別化可能なシンボリック時空間論理ツールボックスです。 鍵空間述語(符号付き距離、交叉、囲い込み、方向関係を含む)の微分可能緩和を解析的に導出することにより、外部離散ソルバを起動することなく、高レベルのセマンティック仕様から低レベルの幾何学的構成へのエンド・ツー・エンドの微分可能マッピングを可能にする。 この完全微分可能な定式化は、2つのコア機能をアンロックする。 (i)厳密な時空間制約の下での超並列軌道最適化 (2)バックプロパゲーションによる実演からの空間論理パラメータの直接学習 実験により,提案フレームワークの有効性と拡張性について検証した。

関連論文リスト

• Smoothly Differentiable and Efficiently Vectorizable Contact Manifold Generation [32.9796391255775]
  既存の微分可能シミュレーションフレームワークが直面する重要なボトルネックは、接触多様体の生成である。 このボトルネックに寄与する主な要因は、一般的なロボットシミュレータの関連ルーチンがベクター化や微分可能性のために設計されていないことである。 これらの目標を念頭においてゼロから設計されたフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T19:34:47Z)
• Surrogate-Based Differentiable Pipeline for Shape Optimization [64.24199762940444]
  本稿では,非微分可能なパイプラインコンポーネントを,本質的に微分可能な代理モデルに置き換えることを提案する。 本研究では、3次元U-Netのフルフィールドサロゲートがメッシュ化とシミュレーションの両方のステップを置き換え、その形状の符号付き距離場(SDF)と関心領域のマッピングをトレーニングするエンド・ツー・エンドの微分可能なパイプラインを実証する。
  論文  参考訳（メタデータ） (2025-11-13T19:30:50Z)
• Learning Geometry: A Framework for Building Adaptive Manifold Models through Metric Optimization [8.201374511929538]
  本稿では,従来のパラメータ最適化を超越した機械学習のパラダイムを提案する。 既定位相を持つ多様体上の計量テンソル場を最適化することにより、モデル空間の幾何学的構造を動的に形成する。 この研究は、その幾何学とトポロジーを自律的に進化させることができる完全にダイナミックな「メタ・ラーナー」を構築するための確固たる基礎を築いた。
  論文  参考訳（メタデータ） (2025-10-30T01:53:32Z)
• Shape-informed surrogate models based on signed distance function domain encoding [8.052704959617207]
  パラメータ化偏微分方程式(PDE)の解を近似する代理モデルを構築するための非侵入的手法を提案する。 我々のアプローチは2つのニューラルネットワーク(NN)の組み合わせに基づいている。
  論文  参考訳（メタデータ） (2024-09-19T01:47:04Z)
• Transolver: A Fast Transformer Solver for PDEs on General Geometries [66.82060415622871]
  本稿では, 離散化された測地の背後に隠れた本質的な物理状態を学習するTransolverについて述べる。 スライスから符号化された物理認識トークンに注意を向けることで、Transovlerは複雑な物理的相関を効果的に捉えることができる。 Transolverは6つの標準ベンチマークで22%の相対的な利得で一貫した最先端を実現し、大規模産業シミュレーションでも優れている。
  論文  参考訳（メタデータ） (2024-02-04T06:37:38Z)
• Object Representations as Fixed Points: Training Iterative Refinement Algorithms with Implicit Differentiation [88.14365009076907]
  反復的洗練は表現学習に有用なパラダイムである。 トレーニングの安定性とトラクタビリティを向上させる暗黙の差別化アプローチを開発する。
  論文  参考訳（メタデータ） (2022-07-02T10:00:35Z)
• Non-linear Independent Dual System (NIDS) for Discretization-independent Surrogate Modeling over Complex Geometries [0.0]
  非線形独立双対系(Non-linear independent dual system、NIDS)は、PDEソリューションの離散化独立で連続的な表現のための深層学習サロゲートモデルである。 NIDSは複雑な可変ジオメトリとメッシュトポロジを持つドメインの予測に使用できる。 テストケースには、複雑な幾何学とデータ不足を伴う車両の問題が含まれており、訓練方法によって実現されている。
  論文  参考訳（メタデータ） (2021-09-14T23:38:41Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)
• Cogradient Descent for Bilinear Optimization [124.45816011848096]
  双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。 一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。 本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
  論文  参考訳（メタデータ） (2020-06-16T13:41:54Z)

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。