論文の概要: Generalizable Multi-Agent Planning from Signal Temporal Logic Specifications via Diffusion

• arxiv url: http://arxiv.org/abs/2608.29490v1
• Date: Sun, 30 Aug 2026 00:38:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.982076
• Title: Generalizable Multi-Agent Planning from Signal Temporal Logic Specifications via Diffusion
• Title（参考訳）: 拡散による信号時相論理仕様からの一般化可能なマルチエージェント計画
• Abstract要約: マルチエージェントシステムは衝突を避けながら、豊かな時間的タスクを満たさなければならない。 現在の信号時間論理(STL)計画手法は限界に直面している。 STL仕様を用いたマルチエージェント計画のための新しい拡散法を提案する。
• 参考スコア（独自算出の注目度）: 3.7331950863394856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-agent systems in the real-world (e.g., drone swarms, autonomous cars, warehouse robots) must satisfy rich, temporal tasks while avoiding collisions. Signal Temporal Logic (STL) elegantly encodes such objectives, but current STL planning methods face critical limitations. State-of-the-art optimization-based approaches can handle arbitrary STL specifications but struggle with scalability, becoming computationally impractical as the number of agents grows. Learning-based methods efficiently handle a large number of agents with rapid planning times but fare poorly when deployment-time objectives differ from those used during training, and do not support planning tasks that require different specifications to be ascribed to different agents (i.e., heterogeneity) or team-level specifications requiring coordination of multiple agents. This fundamental trade-off between generalizability and scalability presents a challenge for realizing multi-agent STL planning algorithms in practice. To overcome this challenge, we introduce a new diffusion method for multi-agent planning with STL specifications. Using a differentiable approximation of STL, we integrate the STL gradient in the denoising process, making our approach generalizable to novel formulas whose predicates are placed anywhere within the goal region covered during training, while achieving the same scalability as existing learning-based methods. Our method supports heterogeneous specifications, and by using diffusion models, naturally enhances plan diversity, thereby significantly reducing safety-related violations (e.g., collisions) among agents. A detailed evaluation study justifies the utility of STL-guided diffusion-based multi-agent planners for constructing generalizable, scalable, and diverse plans. Videos and code are available at https://www.jeappen.com/diff-ma-stl/ and https://github.com/jeappen/diff-ma-stl .
• Abstract（参考訳）: 現実世界のマルチエージェントシステム(ドローン群、自動運転車、倉庫ロボットなど)は、衝突を避けながら、豊かな時間的タスクを満たさなければならない。 Signal Temporal Logic (STL) はそのような目的をエレガントに符号化するが、現在のSTL計画手法は限界に直面している。 最先端の最適化ベースのアプローチは任意のSTL仕様を扱うことができるが、スケーラビリティに苦慮し、エージェントの数が増加するにつれて計算的に非現実的になる。 学習ベースの手法は、高速な計画時間で多数のエージェントを効率的に処理するが、訓練中に使用したエージェントとデプロイメント時間の目標が異なる場合の運が悪く、異なるエージェント(例えば異種性)や複数のエージェントの調整を必要とするチームレベルの仕様に異なる仕様を要求する計画タスクをサポートしない。 この一般化可能性とスケーラビリティの基本的なトレードオフは、実際にマルチエージェントSTL計画アルゴリズムを実現する上での課題である。 この課題を克服するために,STL仕様を用いたマルチエージェント計画のための新しい拡散法を提案する。 STL の微分可能近似を用いて,STL 勾配を復調過程に統合し,既存の学習手法と同等のスケーラビリティを達成しつつ,学習中に対象とする目標領域内に述語を配置する新しい公式を一般化する。 提案手法は異種仕様をサポートし,拡散モデルを用いて自然に計画の多様性を高め,エージェント間の安全性に関する違反(衝突など)を著しく低減する。 STL誘導拡散型マルチエージェントプランナの汎用性,拡張性,多種多様な計画構築における有用性について,詳細な評価研究を行った。 ビデオとコードはhttps://www.jeappen.com/diff-ma-stl/とhttps://github.com/jeappen/diff-ma-stlで公開されている。

関連論文リスト

• LTLDiff: Finite Linear Temporal Logic-Guided Data Generation and Diffusion Policies for Multi-agent Robotic Manipulation [5.122107539704898]
  多エージェントロボット操作タスクは、タスクレベルの時間的、論理的、安全上の制約を満たすためにエージェント間の調整を必要とする。 Diffは、Finite Linear Temporal Logic (LTL)仕様学習を、拡散ポリシーによる実証生成と学習の両方に組み合わせたフレームワークとして提案されている。 マルチエージェントDiff操作タスクの実験では、ベースラインと比較してタスクの成功率が改善された。
  論文  参考訳（メタデータ） (2026-09-10T03:42:25Z)
• Zero-Shot Signal Temporal Logic Planning with Disjunctive Branch Selection in Dynamic Semantic Maps [5.359659831465926]
  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。
  論文  参考訳（メタデータ） (2026-05-02T03:32:23Z)
• 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)
• 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)
• DLLM Agent: See Farther, Run Faster [94.74432470237817]
  拡散大言語モデル(DLLM)は、自己回帰(AR)デコーディングの代替として、魅力的な効率とモデリング特性を持つ。 我々は、DLLMとARのバックボーンを同一のエージェントワークフロー内でインスタンス化することで、制御された環境でこれを研究する。 DLLMエージェントはARエージェントよりも平均30%以上速く、場合によっては8倍のスピードアップを達成している。
  論文  参考訳（メタデータ） (2026-02-07T09:01:18Z)
• 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)
• 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)
• 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)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• MALMM: Multi-Agent Large Language Models for Zero-Shot Robotics Manipulation [62.854649499866774]
  大規模言語モデル(LLM)は、ロボティクスの操作やナビゲーションなど、さまざまな領域にまたがる優れた計画能力を示している。 特殊なLLMエージェント間で高レベル計画および低レベル制御コード生成を分散する新しいマルチエージェントLLMフレームワークを提案する。 長軸タスクを含む9つのRLBenchタスクに対するアプローチを評価し、ゼロショット環境でロボット操作を解く能力を実証した。
  論文  参考訳（メタデータ） (2024-11-26T17:53:44Z)
• DeepLTL: Learning to Efficiently Satisfy Complex LTL Specifications for Multi-Task RL [59.01527054553122]
  線形時間論理(LTL)は、最近、複雑で時間的に拡張されたタスクを特定するための強力なフォーマリズムとして採用されている。 既存のアプローチにはいくつかの欠点がある。 これらの問題に対処するための新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2024-10-06T21:30:38Z)
• Multi-Agent Reinforcement Learning Guided by Signal Temporal Logic Specifications [22.407388715224283]
  STL誘導型マルチエージェント強化学習フレームワークを提案する。 STL要求は、各エージェントの目的と安全仕様に応じてタスク仕様の両方を含むように設計され、STL仕様の値は、報酬を生成するために活用される。
  論文  参考訳（メタデータ） (2023-06-11T23:53:29Z)

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。