論文の概要: pdSTL: Probabilistic Differentiable Signal Temporal Logic for Stochastic Systems

• arxiv url: http://arxiv.org/abs/2606.19561v1
• Date: Wed, 17 Jun 2026 20:01:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.518909
• Title: pdSTL: Probabilistic Differentiable Signal Temporal Logic for Stochastic Systems
• Title（参考訳）: pdSTL:確率微分可能信号時間論理
• Authors: Bennett Dogbey, Hemanth Manjunatha,
• Abstract要約: pdSTL (probabilistic differentiable Signal Temporal Logic) は,確率的意味論を信頼軌道に対する可微分ロバスト性で統一するフレームワークである。 以上の結果から,pdSTLの効率性は,実世界の不確実性の下での安全マージンを維持する上で,決定論的微分可能なSTLよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Autonomous robots operating in uncertain environments must satisfy complex temporal and safety specifications despite stochastic dynamics and sensing noise. While Signal Temporal Logic (STL) offers robustness measures for gradient-based optimization, existing extensions either lack differentiability or ignore belief-space uncertainty. We introduce pdSTL (probabilistic differentiable Signal Temporal Logic), a framework that unifies probabilistic semantics with differentiable robustness over belief trajectories. pdSTL employs interval-valued probabilistic semantics to compute conservative satisfaction bounds, propagated compositionally through the STL syntax tree. We formulate the temporal robustness evaluation as a recurrent, LSTM-style unfolding of STL operators, enabling linear-time, differentiable monitoring suitable for end-to-end trajectory optimization. We validate pdSTL on simulated obstacle avoidance, lane-change maneuvers, and real-world Crazyflie quadcopter flight experiments under aerodynamic disturbances. Results demonstrate that pdSTL achieves efficient optimization with formal probabilistic guarantees, significantly outperforming deterministic differentiable STL in maintaining safety margins under real-world uncertainty.
• Abstract（参考訳）: 不確実な環境で動作している自律ロボットは、確率力学と知覚ノイズにもかかわらず、複雑な時間的および安全性の仕様を満たす必要がある。 Signal Temporal Logic (STL) は勾配に基づく最適化のための堅牢性対策を提供するが、既存の拡張には微分性がないか、信念空間の不確実性を無視している。 pdSTL (probabilistic differentiable Signal Temporal Logic) は,確率的意味論を信頼軌道に対する可微分ロバスト性で統一するフレームワークである。 pdSTLは、STL構文木を通して構成的に伝播される保守的満足度境界を計算するために、間隔値の確率的意味論を用いる。 時間的ロバスト性評価をSTL演算子の再帰的LSTM型展開として定式化し、終端軌道最適化に適した線形時間微分可能な監視を可能にする。 pdSTLは,空力障害下での障害物回避,車線変更操作,クレージーフライクワッドコプターの実際の飛行実験で検証される。 以上の結果から,pdSTLは実世界の不確実性の下での安全マージンを維持する上で,決定論的微分可能なSTLを著しく上回っている。

関連論文リスト

• Feedback Motion Planning for Stochastic Nonlinear Systems with Signal Temporal Logic Specifications [25.484834028091083]
  信号時間論理(STL)仕様下での連続時間非線形システムのフィードバック動作計画について検討する。 本稿では,確率制約付きSTL軌道最適化問題に対する制御ポリシを合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-04T09:02:16Z)
• Conformalized Signal Temporal Logic Inference under Covariate Shift [13.843989967082031]
  信号時間論理(STL)推論は力学系における時間的挙動の解釈可能な論理規則を学習する。 提案フレームワークは,STLの公式の解釈可能性を維持しつつ,デプロイ時のシンボル学習の信頼性を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-03-28T00:38:01Z)
• Synchronous Signal Temporal Logic for Decidable Verification of Cyber-Physical Systems [1.0895848625126727]
  多くのサイバー物理システム(CPS)は、正しい実行、信頼性、信頼性が不可欠である安全クリティカルな環境で機能する。 Signal Temporal Logic (STL)は、安全クリティカルなCPSをチェックするための正式なフレームワークを提供する。 静的安全性と生存性を検証するSTLの断片であるSynchronous Signal Temporal Logic (SSTL)を提案する。
  論文  参考訳（メタデータ） (2026-03-26T15:06:17Z)
• Statistical Contraction for Chance-Constrained Trajectory Optimization of Non-Gaussian Stochastic Systems [0.0]
  このフレームワークは共形推論を用いて任意の参照軌跡を囲む閉ループ力学に対する信頼セットを生成する。 適切な制約の締め付けにより、基準軌跡上の統計的に妥当な決定論的制約をトラクタブルに修正することができる。 これにより、安全クリティカルな現実世界のアプリケーションにおいて、ニューラルネットワークメトリクスのような学習ベースのモーションプランナとコントローラを活用、検証するフォーマルなパスが可能になる。
  論文  参考訳（メタデータ） (2026-03-07T08:01:20Z)
• GTS: Inference-Time Scaling of Latent Reasoning with a Learnable Gaussian Thought Sampler [54.10960908347221]
  我々は、学習可能な密度から条件付きサンプリングとして潜在思考探索をモデル化し、このアイデアをガウス思想サンプリング(GTS)としてインスタンス化する。 GTSは、連続的推論状態における文脈依存摂動分布を予測し、バックボーンを凍結させながらGRPOスタイルのポリシー最適化を訓練する。
  論文  参考訳（メタデータ） (2026-02-15T09:57:47Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-01T12:56:10Z)
• STLCG++: A Masking Approach for Differentiable Signal Temporal Logic Specification [9.039665244779185]
  STLCG++は、STL計算と時間ステップ間のバックプロパゲーションを並列化するマスキングベースのアプローチである。 また、時間間隔境界の微分を可能にするスムース化手法を導入し、勾配に基づく最適化タスクにおけるSTLの適用性を拡大する。
  論文  参考訳（メタデータ） (2025-01-08T00:06:43Z)
• Distributed Stochastic Gradient Descent with Staleness: A Stochastic Delay Differential Equation Based Framework [56.82432591933544]
  分散勾配降下(SGD)は、計算リソースのスケーリング、トレーニング時間の短縮、マシンラーニングにおけるユーザのプライバシ保護の支援などにより、近年注目されている。 本稿では,遅延微分方程式(SDDE)と勾配到着の近似に基づく分散SGDの実行時間と安定化について述べる。 活性化作業員の増加は, 安定度による分散SGDを必ずしも加速させるものではないことが興味深い。
  論文  参考訳（メタデータ） (2024-06-17T02:56:55Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
  制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。 最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。 私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
  論文  参考訳（メタデータ） (2020-04-07T12:29:06Z)

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。