論文の概要: When Automata Meet Streams: Temporal Logic Compilation for Stream-Based Robotics Task and Motion Planning
- arxiv url: http://arxiv.org/abs/2608.19453v1
- Date: Wed, 19 Aug 2026 21:12:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.398352
- Title: When Automata Meet Streams: Temporal Logic Compilation for Stream-Based Robotics Task and Motion Planning
- Title（参考訳）: Automata Meet Streams: ストリームベースのロボットタスクとモーションプランニングのための時間論理コンパイル
- Abstract要約: ストリームベースのロボティクス タスク・アンド・モーション・プランニング(TAMP)は、離散的なシンボリック・プランニングと動的に生成された連続的な幾何学的パラメータを統合する。
ストリームベースの解法にこのような時間的制約を課す方法は今のところ存在しない。
有限トレース上で任意の線形時間論理を強制するコンパイル法であるSAM-TD(Synchronous Action Monitoring with Token Destruction)を提案する。
- 参考スコア（独自算出の注目度）: 2.1483838252799914
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stream-based robotics Task and Motion Planning (TAMP) integrates discrete symbolic planning with dynamically generated continuous geometric parameters, such as poses, grasps, and trajectories. However, stream-based planners typically reason only about goal reachability, whereas long-horizon tasks also demand adherence to temporal specifications, such as safety-critical ordering, invariance, and liveness constraints. No methods currently exist to enforce such temporal constraints for stream-based solvers because streams generate an expanding geometric object set via iterative stream refinement loops during planning, rendering existing temporal-logic compilation techniques incompatible. We therefore present Synchronous Action Monitoring with Token Destruction (SAM-TD), a compilation method that enforces arbitrary Linear Temporal Logic over finite traces ($\textrm{LTL}_f$) specifications in stream-based TAMP. SAM-TD translates arbitrary $\textrm{LTL}_f$ constraints into automata and embeds regressed automaton guards into action schemas, which are pre-specified before planning begins. By doing so, SAM-TD can handle objects generated by streams during planning, thus circumventing the need to enumerate a fixed object set or modify the underlying planner. During search, SAM-TD synchronously updates automaton states and uses a validity token shared across all automata to prune constraint-violating branches. We show that SAM-TD supports dynamically generated stream objects from iterative stream refinements during plan search. Experimental results provide the first ever demonstration of stream-based TAMP under $\textrm{LTL}_f$ constraints in three robotics PDDLStream environments. Furthermore, on standard discrete PDDL benchmarks, SAM-TD is competitive with state-of-the-art temporal-constraint compilation methods.
- Abstract（参考訳）: ストリームベースのロボティクス タスク・アンド・モーション・プランニング(TAMP)は、個別のシンボリック・プランニングを、ポーズ、グリップ、トラジェクトリなどの動的に生成される連続的な幾何学的パラメータと統合する。
しかし、ストリームベースのプランナーは一般的にゴール到達可能性のみを推論するのに対し、長い水平タスクは安全クリティカルな順序付け、不変性、生きた制約といった時間的仕様の遵守も要求する。
ストリームは、計画中に反復ストリームリファインメントループを介して拡張幾何学的オブジェクトセットを生成し、既存の時間論理的コンパイル技術を互換性のないものにするため、ストリームベースのソルバにそのような時間的制約を強制する方法は今のところ存在しない。
そこで我々は,ストリームベースTAMPにおける有限トレース(\textrm{LTL}_f$)仕様に対して任意の線形時間論理を強制するコンパイル手法であるSAM-TD(Synchronous Action Monitoring with Token Destruction)を提案する。
SAM-TDは任意の$\textrm{LTL}_f$制約をオートマトンに変換し、リグレッシブされたオートマトンガードをアクションスキーマに埋め込む。
これによってSAM-TDは、計画中にストリームによって生成されたオブジェクトを処理できるため、固定されたオブジェクトセットを列挙したり、基盤となるプランナーを変更する必要がなくなる。
検索中、SAM-TDはオートマトン状態を同期的に更新し、すべてのオートマトン間で共有される妥当性トークンを使用して制約違反のブランチをプルークする。
SAM-TD は計画探索中に反復的ストリーム改善から生成されたストリームオブジェクトを動的にサポートすることを示す。
実験により、3つのロボットPDDLStream環境において、$\textrm{LTL}_f$制約の下でストリームベースのTAMPを初めて実演した。
さらに、標準的な離散PDDLベンチマークでは、SAM-TDは最先端の時間制約コンパイル手法と競合する。
関連論文リスト
- StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models [84.17128030384099]
StreamPIはストリーミングマルチモーダル時間モデリングフレームワークである。
追加パラメータを導入することなく、単一フレームのVLAに時間的推論能力を持たせる。
メモリ依存および正確な認識シナリオにまたがる実ロボットタスクの実験とシミュレーションベンチマークのLIBEROは、StreamPIが様々なタスクでpi0.5より優れていることを示した。
論文 参考訳（メタデータ） (2026-08-26T17:33:19Z) - TempAct: Advancing Temporal Plausibility in Autoregressive Video Generation via Planner-Executor RL [72.7712729541565]
自己回帰(AR)ビデオ拡散モデルにより、ビデオチャンクをキャッシュされたビジュアルコンテキストでチャンクで合成することで、低レイテンシなストリーミング生成を可能にする。
1つのグローバルプロンプトは、どのサブイベントを各チャンクで実現すべきかを指定しないが、ステップワイズプロンプトにナビゲート的に切り替えると、しばしば遅延反応、ブレンドステップセマンティクス、プロンプト遷移間のエラー伝播につながる。
我々は、時間分解とステップ条件付き実行を協調的に最適化し、時間分解可能なARビデオ生成のためのプランナー-実行型強化学習フレームワークであるTempActでこれらの課題に対処する。
論文 参考訳（メタデータ） (2026-06-26T12:19:28Z) - Advancing Omnimodal Embodied Agents from Isolated Skills to Everyday Physical Autonomy [79.09714980186278]
非構造化環境で永続的なエンボディエージェントを構築するには、異種ツールの統一的なオーケストレーションが必要である。
我々は,多モーダルなセマンティックプランナを統合したフレームワークであるOmniActを紹介した。
すべての複雑性レベルにわたって、エンドツーエンドの成功において一貫した改善が達成されます。
論文 参考訳（メタデータ） (2026-06-25T16:36:35Z) - Generative Spatiotemporal Intent Sequence Recommendation via Implicit Reasoning in Amap [13.548870367532752]
実際のユーザの振る舞いは、多くの場合、分離されたアクションで構成され、代わりに、応答性依存性によって管理されるインテントフローを形成する。
本稿では,複雑な状況下で物理的に整合的に実行可能である意図列を生成することを目的とした生成時シーケンス勧告(GSISR)の課題に焦点をあてる。
本稿では,LLM推論を2つのコンポーネントを通して軽量モデルに内部化する生成フレームワークGPlanを提案する。
論文 参考訳（メタデータ） (2026-05-27T07:27:32Z) - 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) - OFlow: Injecting Object-Aware Temporal Flow Matching for Robust Robotic Manipulation [55.56490813640669]
VLAモデルは典型的には現在のフレームにのみ作用するが、将来の予測とオブジェクト認識推論は別々の潜在空間でしばしば学習される。
本稿では,時間的フォアシークエンスとオブジェクト認識推論を共通化することで,制約に対処するフレームワークOFlowを提案する。
提案手法は, 時間的フローマッチングを用いて将来の潜伏者を予測し, 物理的に関係のある手がかりを強調するオブジェクト認識表現に分解する。
論文 参考訳（メタデータ） (2026-04-20T06:38:01Z) - Reinforcement learning with timed constraints for robotics motion planning [0.5436465344481877]
本稿では,マルコフ決定プロセス (MDP) と部分観測可能なマルコフ決定プロセス (POMDP) の両方でポリシーを合成するための統一されたオートマトンベースのフレームワークを提案する。
単純だが表現力のある報酬構造は、時間的正しさを強制し、さらなるパフォーマンス目標を許容する。
その結果、提案フレームワークは、遷移条件下で厳密な時間制約を満たすポリシーを一貫して学習し、より大きな状態空間にスケールし、部分的に観測可能な環境において有効であることを実証した。
論文 参考訳（メタデータ） (2025-12-31T19:43:44Z) - ScheduleStream: Temporal Planning with Samplers for GPU-Accelerated Multi-Arm Task and Motion Planning & Scheduling [3.3656696418661975]
人型ロボットと人型ロボットは、人間のように複数の腕を使って効率的にタスクを完了させることで、魅力を増している。
複数のアームを同時に制御することは、ハイブリッドな離散連続アクション空間の成長のために計算的に困難である。
タスク・アンド・モーション・プランニング(TAMP)アルゴリズムは、効率的にハイブリッド空間で計画できるが、一般的には、並列アームの動きを可能にするスケジュールではなく、一度に1つのアームだけが動く計画を生成する。
サンプル操作による計画とスケジューリングのための,最初の汎用フレームワークであるScheduleStreamについて紹介する。
論文 参考訳（メタデータ） (2025-11-06T19:17:42Z) - Streaming Sequence-to-Sequence Learning with Delayed Streams Modeling [57.708486655254966]
遅延ストリームモデリングはシーケンス対シーケンス学習のための柔軟な定式化である。
任意の入力の組み合わせから任意の出力シーケンスのストリーミング推論を提供する。
論文 参考訳（メタデータ） (2025-09-10T16:43:01Z) - Modular Deep Reinforcement Learning for Continuous Motion Planning with
Temporal Logic [59.94347858883343]
本稿では,マルコフ決定過程(MDP)をモデルとした自律動的システムの運動計画について検討する。
LDGBA と MDP の間に組込み製品 MDP (EP-MDP) を設計することである。
モデルフリー強化学習(RL)のためのLDGBAベースの報酬形成と割引スキームは、EP-MDP状態にのみ依存する。
論文 参考訳（メタデータ） (2021-02-24T01:11:25Z)
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。