論文の概要: Zero-Shot Signal Temporal Logic Planning with Disjunctive Branch Selection in Dynamic Semantic Maps

• arxiv url: http://arxiv.org/abs/2605.01222v1
• Date: Sat, 02 May 2026 03:32:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.649251
• Title: Zero-Shot Signal Temporal Logic Planning with Disjunctive Branch Selection in Dynamic Semantic Maps
• Title（参考訳）: 動的セマンティックマップにおける分枝選択によるゼロショット信号時間論理計画
• Authors: Bowen Ye, Ancheng Hou, Junyue Huang, Ruijia Liu, Xiang Yin,
• Abstract要約: Signal Temporal Logic (STL) は検証可能なタスク仕様を提供し、安全クリティカルな制御に不可欠である。 可変マップ環境に対するゼロショットSTL計画法を提案する。
• 参考スコア（独自算出の注目度）: 5.359659831465926
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Signal Temporal Logic (STL) offers verifiable task specifications and is crucial for safety-critical control. Yet STL planning remains challenging: exact optimization-based methods are often too slow, and learning-based methods struggle to generalize across varying environments. We propose a zero-shot STL planning solver for variable-map environments that generates feasible trajectories without retraining. By integrating a map-conditioned Transformer architecture with a lightweight heuristic, our approach effectively handles complex disjunctive (OR) subformulas. Furthermore, we leverage Transitive Reinforcement Learning (TRL) to ensure consistent temporal grounding and logical coherence across decomposed sub-tasks. Experiments on dynamic semantic maps with diverse obstacle layouts demonstrate consistent gains, highlighting the framework's superior zero-shot generalization to changing environments and broad STL coverage.
• Abstract（参考訳）: Signal Temporal Logic (STL) は検証可能なタスク仕様を提供し、安全クリティカルな制御に不可欠である。 正確な最適化ベースの手法は遅すぎることが多く、学習ベースの手法は様々な環境にまたがって一般化するのに苦労する。 可変マップ環境に対するゼロショットSTL計画法を提案する。 マップ条件のトランスフォーマーアーキテクチャを軽量なヒューリスティックと統合することにより,複素共役(OR)サブフォーミュラを効果的に処理する。 さらに、遷移強化学習(TRL)を活用し、分解したサブタスク間の一貫した時間的接地と論理的コヒーレンスを確保する。 多様な障害物配置を持つ動的セマンティックマップの実験は、環境の変化と広いSTLカバレッジに対するフレームワークの優れたゼロショット一般化を強調し、一貫した利得を示している。

関連論文リスト

• DAG-STL: A Hierarchical Framework for Zero-Shot Trajectory Planning under Signal Temporal Logic Specifications [7.389002274709231]
  タスクに依存しない軌道データのみを用いて,未知の動的条件下でのオフラインSTL計画について検討する。 DAG-STLは長期STL計画を3段階に変換する階層的なフレームワークである。 Maze2D、OGBench AntMaze、Cubeドメインでの実験により、DAG-STLは直接ロバスト性誘導拡散を著しく上回ることが示された。
  論文  参考訳（メタデータ） (2026-04-20T14:41:37Z)
• STL-SVPIO: Signal Temporal Logic guided Stein Variational Path Integral Optimization [8.345095354174623]
  Signal Temporal Logic (STL) は、ロボットタスク計画のための複雑な制約の正式な仕様化を可能にする。 本稿では,STLをグローバルな情報的,微分可能な報酬形成機構として再構成するSignal Vari Temporal Integral Optimization (STL-SVPIO)を紹介する。 STL-SVPIO は従来の STL タスクの堅牢性と効率性において,既存の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-03-06T00:53:38Z)
• LLM-Grounded Dynamic Task Planning with Hierarchical Temporal Logic for Human-Aware Multi-Robot Collaboration [17.886091169216538]
  大規模言語モデル(LLM)は、オープンワールドのマルチロボットタスクを非専門家が指定できるようにする。 LLMの計画は実現性に欠けることが多く、特に長期のシナリオでは効率的ではない。 階層的仕様の推論を基礎としたニューロシンボリックな枠組みを提案する。
  論文  参考訳（メタデータ） (2026-02-10T07:11:36Z)
• Zero-Shot Instruction Following in RL via Structured LTL Representations [54.08661695738909]
  リニア時間論理(LTL)は、強化学習(RL)エージェントのための複雑で構造化されたタスクを特定するための魅力的なフレームワークである。 近年の研究では、命令を有限オートマトンとして解釈し、タスク進捗を監視する高レベルプログラムと見なすことができ、テスト時に任意の命令を実行することのできる1つのジェネラリストポリシーを学習できることが示されている。 本稿では,この欠点に対処する任意の命令に従うために,マルチタスクポリシーを学習するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-02T10:44:51Z)
• Navigating Motion Agents in Dynamic and Cluttered Environments through LLM Reasoning [69.5875073447454]
  本稿では,大規模言語モデル(LLM)によって強化された動作エージェントを,動的・乱雑な環境における自律的なナビゲーションに向けて前進させる。 トレーニング不要なフレームワークは、マルチエージェント調整、クローズドループ計画、動的障害物回避を、リトレーニングや微調整なしでサポートしています。
  論文  参考訳（メタデータ） (2025-03-10T13:39:09Z)
• Zero-Shot Trajectory Planning for Signal Temporal Logic Tasks [7.389002274709231]
  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STLプランの生成は、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。 オフライントレーニングにおいてタスク非依存の軌道データのみを活用することで、新しいSTLタスクへのゼロショット一般化を可能にする階層的計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-23T08:15:52Z)
• SCoTT: Strategic Chain-of-Thought Tasking for Wireless-Aware Robot Navigation in Digital Twins [78.53885607559958]
  無線対応経路計画フレームワークであるSCoTTを提案する。 SCoTT は DP-WA* の2% 以内で経路ゲインを達成し, 連続的に短い軌道を生成できることを示す。 また,ガゼボシミュレーションにおいて,SCoTTをROSノードとして配置することにより,本手法の実用性を示す。
  論文  参考訳（メタデータ） (2024-11-27T10:45:49Z)
• LLM-A*: Large Language Model Enhanced Incremental Heuristic Search on Path Planning [91.95362946266577]
  経路計画はロボット工学と自律航法における基本的な科学的問題である。 A*やその変種のような伝統的なアルゴリズムは、パスの妥当性を保証することができるが、状態空間が大きくなるにつれて、計算とメモリの非効率が著しく低下する。 本稿では, A* の正確なパスフィニング能力と LLM のグローバルな推論能力とを相乗的に組み合わせた LLM ベースの経路計画法を提案する。 このハイブリッドアプローチは、特に大規模シナリオにおいて、パス妥当性の完全性を維持しながら、時間と空間の複雑さの観点からパスフィニング効率を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-06-20T01:24:30Z)
• Funnel-based Reward Shaping for Signal Temporal Logic Tasks in Reinforcement Learning [0.0]
  本稿では,STL(Signal Temporal Logic)仕様を適用した制御器を学習するために,抽出可能な強化学習アルゴリズムを提案する。 異なる環境を用いた複数のSTLタスクに対して,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-30T19:38:21Z)
• Goal Kernel Planning: Linearly-Solvable Non-Markovian Policies for Logical Tasks with Goal-Conditioned Options [54.40780660868349]
  我々はLinearly-Solvable Goal Kernel Dynamic Programming (LS-GKDP)と呼ばれる合成フレームワークを導入する。 LS-GKDPは、Linearly-Solvable Markov Decision Process (LMDP)形式とOptions Framework of Reinforcement Learningを組み合わせたものである。 本稿では,目標カーネルを持つLMDPが,タスク接地によって定義された低次元部分空間におけるメタポリティシの効率的な最適化を実現する方法を示す。
  論文  参考訳（メタデータ） (2020-07-06T05:13:20Z)

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。