論文の概要: Fast Constraint Extraction for Corrective Control under STL Specifications via Logical Dependency Tracking

• arxiv url: http://arxiv.org/abs/2609.09439v1
• Date: Tue, 08 Sep 2026 20:44:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.816002
• Title: Fast Constraint Extraction for Corrective Control under STL Specifications via Logical Dependency Tracking
• Title（参考訳）: 論理的依存追跡によるSTL仕様下での修正制御のための高速制約抽出
• Abstract要約: 鍵となる困難は、特にネスト式において、不確実なコンポーネントが実際に世界の満足度に影響を与えるかを特定することである。 本稿では,STL構造を通じて不確実性を伝播し,到達可能な集合の満足度に対する因果的寄与を捉える論理的依存性追跡フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 13.336304771873214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensuring the satisfaction of Signal Temporal Logic (STL) specifications under uncertainty is challenging, as reachability-based monitoring provides guarantees but does not indicate how to restore satisfaction when it becomes indeterminate. A key difficulty is identifying which uncertain components actually affect global satisfaction, especially for nested formulas. This paper introduces a logical dependency tracking framework that propagates uncertainty through the STL structure and captures the causal contribution of reachable sets to satisfaction. By associating markers to uncertain predicates and propagating them via three-valued semantics, we extract in milliseconds a compact Disjunctive Normal Form (DNF) of sufficient constraints, avoiding combinatorial enumeration. As an application, we formulate control correction as a minimum-effort optimization problem. Using zonotopic reachability, the derived constraints are enforced via linear programming, yielding corrections that guarantee STL satisfaction under bounded uncertainty and provide certified probabilistic bounds in the stochastic case. We demonstrate the approach on a nonlinear system with nested STL specifications, showing that dependency tracking enables efficient and formally guaranteed correction. The tracking implementation is available at https://github.com/Antoine-Bst/STL-Three-Valued-Clause-Filtering/.
• Abstract（参考訳）: 不確実性の下でSTL仕様の満足度を確保することは困難であり、到達可能性に基づく監視は保証を提供するが、不確定なときに満足度を回復する方法を示すものではない。 重要な課題は、特にネスト式において、不確実なコンポーネントが実際にグローバルな満足度に影響を与えるかを特定することである。 本稿では,STL構造を通じて不確実性を伝播し,到達可能な集合の満足度に対する因果的寄与を捉える論理的依存性追跡フレームワークを提案する。 マーカーを不確定な述語に関連付け,三値意味論を通じて伝達することにより,十分制約のあるコンパクトな解離正規形(DNF)をミリ秒単位で抽出し,組合せ列挙を回避する。 応用として、最小限の最適化問題として制御補正を定式化する。 ソノトピック到達可能性を用いて、導出した制約は線形プログラミングによって強制され、有界不確実性の下でSTLの満足度を保証し、確率的ケースで証明された確率的境界を与える補正を与える。 本研究では,STL仕様をネストした非線形システムへのアプローチを実証し,依存関係の追跡が効率よく,正式に保証された補正を可能にすることを示す。 トラッキングの実装はhttps://github.com/Antoine-Bst/STL-Three-Valued-Clause-Filtering/で公開されている。

関連論文リスト

• Learning Spatiotemporal Tubes for Full Class of Signal Temporal Logic Tasks for Control of Unknown Systems under Input Constraints [3.487047142509456]
  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。
  論文  参考訳（メタデータ） (2026-07-08T08:31:19Z)
• From Prediction Uncertainty to Conformalized Distance Fields for Safe Motion Planning [9.50741434664352]
  既存のコンフォメーションアプローチは、障害物ごとの予測誤差を集計するスカラースコアに適合する。 代わりに、予測距離場全体を同時に整列する。 この関数共形予測フレームワークは、分布自由で、フィールドレベルの低い境界をもたらす。
  論文  参考訳（メタデータ） (2026-07-01T11:02:51Z)
• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• 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)
• Adaptive Neighborhood-Constrained Q Learning for Offline Reinforcement Learning [52.03884701766989]
  オフライン強化学習(RL)アルゴリズムは、通常、アクション選択に制約を課す。 本稿では,Bellmanターゲットにおける行動選択を,データセットアクションの近傍の結合に制限する新しい地区制約を提案する。 我々は,この制約を満たす目標動作を用いてQ学習を行うための,単純で効果的なアルゴリズムであるAdaptive Neighborhood-Constrained Q Learning(ANQ)を開発した。
  論文  参考訳（メタデータ） (2025-11-04T13:42:05Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• ABS: Enforcing Constraint Satisfaction On Generated Sequences Via Automata-Guided Beam Search [13.847804420304113]
  ABSはモデルに依存しない推論時間アルゴリズムであり、いかなる制約にも準拠することを保証している。 ABSは、標準的な品質指標と効率性に基づいて、最先端のベースラインを達成または適合させながら、完全な制約満足度を実現していることを示す。
  論文  参考訳（メタデータ） (2025-06-11T13:14:01Z)
• 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)
• Offline Minimax Soft-Q-learning Under Realizability and Partial Coverage [100.8180383245813]
  オフライン強化学習(RL)のための値ベースアルゴリズムを提案する。 ソフトマージン条件下でのバニラQ関数の類似した結果を示す。 我々のアルゴリズムの損失関数は、推定問題を非線形凸最適化問題とラグランジフィケーションとしてキャストすることによって生じる。
  論文  参考訳（メタデータ） (2023-02-05T14:22:41Z)
• Risk-Awareness in Learning Neural Controllers for Temporal Logic Objectives [2.047329787828792]
  閉ループ系が一定の制約を満たすような不確実性が存在する場合の制御器の問題を考える。 制御障壁関数(CBF)の枠組みを利用して,STL目的のCBFをアルゴリズム的に取得する。 クワッドロータや一輪車のような非線形制御のよく知られた難解な例に対して,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-10-14T00:49:08Z)
• Pointwise Feasibility of Gaussian Process-based Safety-Critical Control under Model Uncertainty [77.18483084440182]
  制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。 本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-13T23:08:49Z)

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。