Signal Temporal Logic
PulseAugur coverage of Signal Temporal Logic — every cluster mentioning Signal Temporal Logic across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的扩散模型通过信号时序逻辑增强了多智能体规划能力
研究人员开发了一种新颖的基于扩散的多智能体规划方法，解决了现有方法的局限性。当前的基于优化的方法在处理大量智能体时面临可扩展性问题，而基于学习的方法则缺乏对新目标的泛化能力。这种新的扩散模型将信号时序逻辑（STL）的可微近似集成到去噪过程中，使其能够处理异构规范并提高规划多样性。该方法旨在实现基于学习方法的可扩展性，同时提供复杂现实世界多智能体系统（如无人机群和自动驾驶汽车）所需的泛化能力。
-
新的基于自动机的研究方法增强了复杂控制系统的强化学习能力
研究人员开发了一种新的基于自动机的研究方法，用于通过信号时序逻辑（STL）进行控制综合。该方法通过提供高效的内存机制和相关的马尔可夫奖励，解决了复杂系统中缺乏精确模型的强化学习（RL）所面临的挑战。该方法从STL规范构建一个定时交替自动机，通过自动机位置和时钟估值来扩展状态空间，从而从接受条件中导出奖励。实证结果表明，该方法在学习具有更高鲁棒性和满意度的策略方面优于现有方法。
-
新框架提升AI翻译在自主系统中的可靠性
研究人员开发了一个名为SCP-NL2TL的新框架，该框架提高了将自然语言指令翻译成自主系统形式化规范的可靠性。该方法结合了选择性一致性预测，以确定何时可以信任生成的规范，从而降低了安全关键型应用中的风险。该框架使用两个互补信号：回译规范的保真度以及重复翻译的一致性。在信号时序逻辑（STL）、线性时序逻辑（LTL）和几何时空逻辑（SpaTiaL）上的实验表明，翻译可靠性得到提高，并且不确定性感知性弃权有效。
-
新方法使用STL合成非线性系统参数
研究人员开发了一种新的方法来合成非线性系统中的参数，使其能够鲁棒地满足信号时序逻辑（STL）规范。该方法利用基于梯度的优化与基于集合的可达性验证相结合。该技术已被证明是有效且可扩展的，已成功应用于具有多达18个参数维度的系统。
-
为多智能体时空逻辑开发新框架
研究人员开发了一个新的代数框架，用于定义带图算子的时空逻辑 (STL-GO) 的定量语义。该逻辑通过引入图算子来扩展信号时态逻辑 (STL)，这些算子可以计算满足特定属性的邻近智能体数量。新框架将时间聚合与图算子聚合分开，并证明了其可靠性和完备性取决于单调性条件。该系统在模拟的多智能体环境中实现并进行了测试，包括 Dubins 汽车动力学场景和地-卫星系统，并评估了四种不同的语义实例化。
-
新的RNN架构为安全关键系统提供形式化保证
研究人员开发了一种名为循环可微三元逻辑门网络（R-DTLGN）的新型循环神经网络架构。该架构使用三值逻辑运行，其中“0”表示未知状态，为安全关键系统中的运行时监视器提供形式化保证。R-DTLGN确保在传感器数据受损时输出能够优雅降级，并提供原则性弃权，这意味着未知输入不会导致错误输出。其设计直接关联到信号时序逻辑（STL）的时序算子，允许通过公式驱动网络大小调整，而不是手动调整超参数。
-
ReasonSTL框架通过开源LLM将自然语言转换为形式逻辑
研究人员开发了ReasonSTL，一个旨在将自然语言需求转换为信号时序逻辑（STL）公式的新型框架。这种工具增强的方法利用本地开源语言模型进行翻译，解决了与商业LLM API相关的成本和隐私问题。ReasonSTL将过程分解为推理、工具调用和公式构建，并结合了进程奖励训练和一个名为STL-Bench的新基准。
-
AI研究推出用于动态环境的零样本时序逻辑规划
研究人员开发了一种新颖的信号时序逻辑（STL）零样本规划求解器，无需重新训练即可在动态环境中生成可行轨迹。该方法集成了地图条件Transformer和启发式方法来处理复杂STL析取公式，并使用传递性强化学习进行时序接地。实验表明，该框架在各种动态语义地图的零样本泛化方面表现出色。