論文の概要: Learning Spatiotemporal Tubes for Full Class of Signal Temporal Logic Tasks for Control of Unknown Systems under Input Constraints

• arxiv url: http://arxiv.org/abs/2607.07136v1
• Date: Wed, 08 Jul 2026 08:31:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.322325
• Title: Learning Spatiotemporal Tubes for Full Class of Signal Temporal Logic Tasks for Control of Unknown Systems under Input Constraints
• Title（参考訳）: 入力制約下における未知系の制御のための信号時間論理タスクの全クラスのための時空間管の学習
• Abstract要約: 本稿では、一般的な未知の非線形オイラーラグランジュ(EL)システムのための時空間管(STT)に基づく制御フレームワークを提案する。 シングルエージェントとマルチエージェントの両方のシナリオにおいて、各エージェントに対応するSTTは、物理インフォームドニューラルネットワーク(PINN)を用いて、中心と半径が共同パラメータ化される時間変化ボールとしてモデル化される。 マルチエージェントのシナリオでは,大域的なタスクに対応する新たなロバストネス指標を導入し,満足すれば,チューブ同士が衝突しないようにする。
• 参考スコア（独自算出の注目度）: 3.487047142509456
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents a Spatiotemporal Tube (STT)-based control framework for general unknown nonlinear Euler-Lagrange (EL) systems subject to input constraints, with the objective of satisfying Signal Temporal Logic (STL) specifications, where confinement of the system trajectory within the STT guarantees the satisfaction of the corresponding STL task. For both single and multi-agent scenarios, the STT corresponding to each agent is modeled as a time-varying ball, whose center and radius are jointly parameterized using a physics-informed neural network (PINN). The robustness metric associated with the STL specification corresponding to the agents is incorporated into the training process as a loss function, enabling the learned tube to encode task-level temporal requirements. For a multi-agent scenario, we introduce an additional robustness metric corresponding to the global task, which, when satisfied, ensures the tubes do not collide with each other. To ensure that the system trajectory remains within the learned STT and thereby satisfies the local and global STL specifications, we propose a control strategy that explicitly accounts for input constraints. In particular, a closed-form control law is developed to keep the trajectory inside the tube while regulating the motion of the tube by enforcing bounds on its evolution depending on the input constraints of the system. The proposed approach has been validated over several case studies.
• Abstract（参考訳）: 本稿では,STL(Signal Temporal Logic)仕様を満たすことを目的とした,一般的な未知の非線形オイラーラグランジュ(EL)システムのための時空間管(STT)ベースの制御フレームワークを提案する。 シングルエージェントとマルチエージェントの両方のシナリオにおいて、各エージェントに対応するSTTは、物理インフォームドニューラルネットワーク(PINN)を用いて、中心と半径が共同パラメータ化される時間変化ボールとしてモデル化される。 エージェントに対応するSTL仕様に付随するロバスト性指標を損失関数としてトレーニングプロセスに組み込み、学習管がタスクレベルの時間的要求を符号化できるようにする。 マルチエージェントのシナリオでは,大域的なタスクに対応する新たなロバストネス指標を導入し,満足すれば,チューブ同士が衝突しないようにする。 学習したSTT内のシステム軌跡を確実に把握し,ローカルおよびグローバルなSTL仕様を満たすために,入力制約を明示的に考慮する制御戦略を提案する。 特に、管内の軌道を制御しつつ、管の運動を制御しながら、系の入力制約に応じて管の進化に制限を加えるように閉形式制御法が開発されている。 提案手法はいくつかのケーススタディで検証されている。

関連論文リスト

• Actuator-Aware Spatiotemporal Tube Synthesis for Temporal Reach-Avoid-Stay Tasks [8.83702693820851]
  時間的リーチ・ステイ・アウトプットタスクを実現するためのアクチュエータ・アウェア・チューブ(STT)合成フレームワークを提案する。 提案フレームワークは, アクチュエータの制約を直接管合成プロセスに組み込む。 T-RASタスクを実行する全方向移動ロボットの研究は、提案フレームワークがタスク全体を通して所定のアクチュエータ制限に固執していることを示す。
  論文  参考訳（メタデータ） (2026-07-25T04:52:22Z)
• LLMs Improving LLMs: Agentic Discovery for Test-Time Scaling [63.679448814185456]
  テストタイムスケーリング(TTS)は,大規模言語モデルの性能向上に有効なアプローチとなっている。 既存のTS戦略は、主に手作りであり、研究者はパターンを設計し、直感で調整し、計算割り当ての空間の多くを探索していない。 環境駆動型フレームワークであるAutoTTSを提案し、研究者が設計したものを、個々のTSからTTS戦略を自動的に発見できる環境へと変更する。
  論文  参考訳（メタデータ） (2026-05-08T17:59:40Z)
• SGA-MCTS: Decoupling Planning from Execution via Training-Free Atomic Experience Retrieval [74.1918709002557]
  我々は, LLM計画を非パラメトリック検索として活用するフレームワークである textbfSGA-MCTS を紹介する。 オンラインでは、検索増強剤は、関連するステート-ゴール-アクション原子を取得するために、ハイブリッドシンボリック-セマンティック機構を使用する。 SGA-MCTSは、探索の重い計算コストを効果的に減らし、System 1推論速度におけるシステム2推論の深さを達成し、スケーラブルかつリアルタイムに自律的な計画が実現可能である。
  論文  参考訳（メタデータ） (2026-04-16T07:22:36Z)
• Learning Spatiotemporal Tubes for Temporal Reach-Avoid-Stay Tasks using Physics-Informed Neural Networks [2.7222301668137483]
  本稿では, 汎用制御アフィン非線形純粋フィードバックシステムのための時空間管(STT)に基づく制御フレームワークを提案する。 このフレームワークは、移動ロボットと、散らばった環境を航行する航空機を含む2つのケーススタディを通じて検証される。
  論文  参考訳（メタデータ） (2025-12-09T05:08:52Z)
• Learning Robust and Correct Controllers Guided by Feasibility-Aware Signal Temporal Logic via BarrierNet [5.174839530270601]
  制御バリア関数(CBF)は、最適化ベースのコントローラの安全性を高める強力なツールとして登場した。 CBFを微分可能二次プログラム(dQP)に組み込む実現可能性を考慮した学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-07T19:52:27Z)
• 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)
• Test time training enhances in-context learning of nonlinear functions [51.56484100374058]
  テストタイムトレーニング(TTT)は、各予測に先立って指定されたパラメータを明示的に更新することで、モデル性能を向上させる。 本研究では,TTTとテキスト内学習(ICL)の組み合わせについて検討する。
  論文  参考訳（メタデータ） (2025-09-30T03:56:44Z)
• 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)
• Signal Temporal Logic Neural Predictive Control [15.540490027770621]
  本稿では,信号時相論理(STL)に規定される要件を満たすためにニューラルネットワークコントローラを学習する手法を提案する。 我々のコントローラは、トレーニングにおけるSTLロバストネススコアを最大化するために軌道のロールアウトを学習する。 バックアップポリシは、コントローラがフェールした場合の安全性を保証するように設計されています。
  論文  参考訳（メタデータ） (2023-09-10T20:31:25Z)
• 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)
• Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)
• 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。