論文の概要: Belief Space Planning for Risk Signal Temporal Logic via Mixed-Integer Convex Programming

• arxiv url: http://arxiv.org/abs/2610.16696v1
• Date: Mon, 12 Oct 2026 12:31:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 21:52:35.543637
• Title: Belief Space Planning for Risk Signal Temporal Logic via Mixed-Integer Convex Programming
• Title（参考訳）: 混合整数凸計画によるリスク信号時間論理の空間計画
• Abstract要約: Signal Temporal Logic (STL) は、堅牢性による計画を可能にする意味論を規定している。 我々はMICPが完全で、緩和が最適入力収率を維持することを示す。
• 参考スコア（独自算出の注目度）: 8.579682278783784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signal Temporal Logic (STL) specifies robot tasks with spatio-temporal requirements, and its robustness semantics allow planning by trajectory optimization. In practice, robots estimate their state from noisy measurements, and when the information gained from a measurement depends on the state, the robot can actively reduce its uncertainty by planning in the belief space. The resulting problem is, however, generally non-convex, for which gradient-based methods are neither complete nor globally optimal. In this paper, we consider Risk STL (RiSTL) planning in Gaussian belief space and show that an information-form parameterization of the belief, together with a convex relaxation of the belief dynamics, yields a mixed-integer convex program (MICP). We prove that the MICP is sound and complete, and that the relaxation preserves the globally optimal input trajectories. We validate the effectiveness of our method in numerical simulations.
• Abstract（参考訳）: Signal Temporal Logic (STL) は、時空間要求を伴うロボットタスクを規定し、その堅牢性セマンティクスは軌道最適化による計画を可能にする。 実際に、ロボットは騒音測定から状態を推定し、測定から得られた情報が状態に依存する場合、信念空間を計画することで、その不確実性を積極的に低減することができる。 しかし、結果として生じる問題は一般には非凸であり、勾配法は完全でも大域的に最適でもない。 本稿では、ガウス的信念空間におけるリスクSTL(RiSTL)計画について考察し、信念の情報形式パラメタライゼーションと、信念力学の凸緩和とともに、混合整数凸プログラム(MICP)が得られることを示す。 我々はMICPが健全で完全であることを証明し、この緩和がグローバルな最適入力軌跡を保存することを証明した。 本手法の有効性を数値シミュレーションで検証する。

関連論文リスト

• Safety-aware Model Predictive Path Integral Control with Signal Temporal Logic [9.67332310753527]
  提案手法は, サンプリング・ベース・リレーディング・ホライゾン・プランニング・フレームワークであるセーフティ・アウェア・ストル-mppiを提案する。 提案手法は離散時間STL式を候補時間変化制御バリア関数に符号化する。
  論文  参考訳（メタデータ） (2026-08-25T02:00:50Z)
• Normalizing Flow-Enhanced Message Passing for Multirobot Collaborative Localization [22.194428100020485]
  本稿では,協調的なローカライゼーションを分散的に実現するための新しいメッセージパッシング(MP)アルゴリズムを提案する。 このアルゴリズムはガウス的信念伝播(GBP)と平均場(MF)近似を統一し、GBPはロボットの状態間の依存関係を保ち、MFはノイズ統計を推定できる。 自動運転車(ASV)のシミュレーションと実験により、精度、堅牢性、適応性が改善された。
  論文  参考訳（メタデータ） (2026-06-29T07:04:56Z)
• Active Timepoint Selection for Learning Measure-Valued Trajectories [55.49809248697036]
  スナップショットから連続確率パスを推定することは、単細胞生物学のような領域における根本的な課題である。 スパース測度空間にアクティブな実験を拡張するフレームワークを導入する。 これにより、不確実性を最小限に抑えるために測定時間を反復的に選択する取得ポリシーが得られる。
  論文  参考訳（メタデータ） (2026-05-28T22:22:35Z)
• Fitting Unknown Number of Hyperplanes with Manifold Optimization [57.48093263119306]
  未知数の線形平面をデータに適合させることは、機械学習の根本的な課題である。 既存のアプローチはしばしば最適な最適化に苦しむか、幾何的整合性に欠ける。
  論文  参考訳（メタデータ） (2026-05-27T14:02:20Z)
• Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
  マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。 既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。 本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
  論文  参考訳（メタデータ） (2026-05-26T21:17:53Z)
• 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)
• Provably Safe Trajectory Generation for Manipulators Under Motion and Environmental Uncertainties [26.41382315967256]
  本稿では,安全な最適動作計画の必要性に対処する,リスクバウンドな新しい動き計画フレームワークを提案する。 動作不確実性下でのロボットの状態分布を予測するために,剛性マニピュレータ深部クープマン演算子 (RM-DeKO) モデルを統合する。 次に,並列物理シミュレーションとSOS(Sum-of-squares)プログラミングを併用して,衝突リスクのきめ細かい形式的証明を行う,効率的な階層的検証手法を提案する。
  論文  参考訳（メタデータ） (2026-03-10T01:48:48Z)
• RRT$^η$: Sampling-based Motion Planning and Control from STL Specifications using Arithmetic-Geometric Mean Robustness [7.121834057343983]
  RRT$は,時間点とサブ形式をまたいだロバストネス対策を統合するサンプリングベースの計画フレームワークである。 誘導信号が制限されたマルチ制約シナリオにおいて,従来のSTLロバスト性に基づくプランナよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2026-02-18T19:45:43Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)

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。