論文の概要: An Operator-Based Approach to STL

• arxiv url: http://arxiv.org/abs/2605.28092v1
• Date: Wed, 27 May 2026 07:47:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.856136
• Title: An Operator-Based Approach to STL
• Title（参考訳）: 演算子に基づくSTLへのアプローチ
• Authors: Panagiotis Rousseas, Dimos V. Dimarogonas,
• Abstract要約: 本稿では,到達可能性値関数に作用する演算子に基づく信号時間論理(STL)に対する新しいアプローチを提案する。 これは、複雑なマルチネスト式を扱うための新しい理論的枠組みを構成する。 STLに基づくリーチビリティ関数の設計に重点を置くのとは対照的に,我々は演算子ベースのネストルールを開発する。
• 参考スコア（独自算出の注目度）: 10.103844123344057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signal Temporal Logic (STL), has recently seen extensive development, owing to its rich expressivenes for autonomous planning and control. Nevertheless, existing verification and control synthesis methods are limited with respect to the complexity and degree of nesting of the formulae. In this work, we propose a novel approach to STL based on an operator acting on reachability value functions. This constitutes a new theoretical framework for handling complex multi-nested formulae while at the same time providing tools for on-line control synthesis. In contrast to focusing on the design of STL-based reachability (or control barrier) functions, we develop operator-based nesting rules directly. Our method's expressiveness is demonstrated both theoretically, where necessary and sufficient conditions for STL formula satisfaction are extracted, as well as in simulations with complex fragments.
• Abstract（参考訳）: Signal Temporal Logic (STL)は、自律的な計画と制御のための豊かな表現力のため、最近広範囲に開発されている。 それでも、既存の検証および制御合成法は、公式の複雑さとネストの程度に制限されている。 本研究では,到達可能性値関数に作用する演算子に基づくSTLに対する新しいアプローチを提案する。 これは、複雑なマルチネス式を扱うための新しい理論フレームワークを構成すると同時に、オンライン制御合成のためのツールを提供する。 STLに基づく到達可能性(あるいは制御障壁)関数の設計に焦点を合わせるのとは対照的に,演算子ベースのネストルールを直接開発する。 本手法の表現性は,STL式満足度に必要な条件と十分な条件が抽出された場合にも,複雑なフラグメントを用いたシミュレーションにおいても,理論的に証明される。

関連論文リスト

• On Tackling Complex Tasks with Reward Machines and Signal Temporal Logics [42.04219310123725]
  複雑なタスクを扱うための強化学習(RL)に基づく制御設計フレームワークを提案する。 このアプローチは、イベント生成に使用できる信号テンポラル論理(STL)公式を用いて、リワードマシン(RM)の概念を拡張している。
  論文  参考訳（メタデータ） (2026-04-09T13:39:12Z)
• Zero-Shot Instruction Following in RL via Structured LTL Representations [50.41415009303967]
  マルチタスク強化学習では、エージェントが訓練中に見えない新しいタスクをゼロショットで実行しなければならない。 この設定では、最近、時間的に拡張された構造化タスクを特定するための強力なフレームワークとして線形時間論理が採用されている。 既存のアプローチはジェネラリストの政策を訓練することに成功しているが、仕様に固有のリッチな論理的・時間的構造を効果的に捉えるのに苦労することが多い。
  論文  参考訳（メタデータ） (2026-02-15T23:22:50Z)
• Semantically Labelled Automata for Multi-Task Reinforcement Learning with LTL Instructions [61.479946958462754]
  エージェントが単一のユニバーサルポリシーを学習する環境であるマルチタスク強化学習(RL)について検討する。 本稿では,新世代の意味翻訳を利用したタスク埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2026-02-06T14:46:27Z)
• Do It for HER: First-Order Temporal Logic Reward Specification in Reinforcement Learning (Extended Version) [49.462399222747024]
  本研究では,大規模状態空間を持つ決定過程(MDP)における非マルコフ報酬の論理的仕様に関する新しい枠組みを提案する。 我々のアプローチは有限トレース(LTLfMT)上での線形時間論理モデュロ理論を利用する 本稿では,報酬マシンとHER(Hindsight Experience Replay)をベースとした一階述語論理仕様の翻訳手法を提案する。
  論文  参考訳（メタデータ） (2026-02-05T22:11:28Z)
• 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)
• Unlocking Symbol-Level Precoding Efficiency Through Tensor Equivariant Neural Network [84.22115118596741]
  シンボルレベルのプリコーディングにおいて,推論の複雑さの低いエンドツーエンドディープラーニング(DL)フレームワークを提案する。 提案手法は,従来の手法よりも約80倍の高速化を実現しつつ,SLPの大幅な性能向上を達成できることを示す。
  論文  参考訳（メタデータ） (2025-10-02T15:15:50Z)
• Verified Lifting of Deep learning Operators [9.48599997951339]
  本研究は,ディープラーニング演算子の精度向上のための新しいフレームワークを導入する。 低レベルの実装から高レベルの数学的公式を合成する。 このフレームワークは低レベルの実装と高レベルの抽象化のギャップを埋めます。
  論文  参考訳（メタデータ） (2024-12-30T14:57:32Z)
• CoT-TL: Low-Resource Temporal Knowledge Representation of Planning Instructions Using Chain-of-Thought Reasoning [1.433758865948252]
  我々は、自然言語仕様を表現に変換するためのデータ効率のよいインコンテキスト学習フレームワークであるCoT-TLを紹介した。 CoT-TLは、ローデータシナリオで3つの多様なデータセット間で最先端の精度を達成する。 我々はCoT-TLの実用性を自然言語命令に基づく多段階ドローン計画のためのQuadCopterに組み込む。
  論文  参考訳（メタデータ） (2024-10-21T17:10:43Z)
• TLINet: Differentiable Neural Network Temporal Logic Inference [10.36033062385604]
  本稿では,STL式を学習するニューラルネットワークシンボリックフレームワークであるTLINetを紹介する。 従来の手法とは対照的に,時間論理に基づく勾配法に特化して設計された最大演算子の近似法を導入する。 我々のフレームワークは、構造だけでなく、STL公式のパラメータも学習し、演算子と様々な論理構造の柔軟な組み合わせを可能にします。
  論文  参考訳（メタデータ） (2024-05-03T16:38:14Z)
• 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。