Open Source Robotics

Eine kuratierte Sammlung hochwertiger Open-Source-Robotikprojekte, Werkzeuge und Software für die Robotik-Community.

Signal Temporal Logic

  • Auch genannt: STL
  • Kategorie: Planning & manipulation › Task-level
  • Schlagwörter: formal-methods, temporal-logic, task-specification, control, planning

Eine formale Sprache, um zeitlich begrenzte Anforderungen an reellwertige Signale wie Robotertrajektorien zu formulieren, mit einem Robustheitswert, der angibt, wie deutlich eine Trajektorie sie erfüllt.

Definition

Signal-Temporallogik (signal temporal logic, STL) ist eine formale Spezifikationssprache für Eigenschaften kontinuierlicher, reellwertiger Signale über die Zeit. Sie wurde 2004 von Oded Maler und Dejan Nickovic als Erweiterung der metrischen Intervall-Temporallogik eingeführt, mit dem Ziel, Signale aus kontinuierlichen und hybriden Systemen zu überwachen. In der Robotik ist das Signal meist eine Trajektorie von Zuständen, und mit STL kann ein Ingenieur Anforderungen wie „Bereich A innerhalb von 10 Sekunden erreichen, dort mindestens 2 Sekunden verweilen und dem Hindernis nie näher als 0,5 Meter kommen“ als eine einzige präzise Formel schreiben.

Eine STL-Formel wird aus Prädikaten der Form μ(x) ≥ 0 aufgebaut, wobei μ eine Funktion des Zustands ist, etwa ein Abstand zu einem Ziel, verknüpft mit booleschen Operatoren (nicht, und, oder) und temporalen Operatoren mit expliziten Zeitintervallen: immer (always) G[a,b] (die Formel gilt zu jedem Zeitpunkt im Intervall), irgendwann (eventually) F[a,b] (sie gilt zu einem Zeitpunkt im Intervall) und bis (until) U[a,b]. Da die Prädikate reellwertig sind, besitzt STL neben einer Wahr/Falsch-Bedeutung auch eine quantitative Semantik. Die Robustheit (robustness) einer Trajektorie bezüglich einer Formel, wie sie von Fainekos und Pappas sowie von Donzé und Maler definiert wurde, ist eine vorzeichenbehaftete Zahl: Positiv bedeutet, dass die Formel erfüllt ist, negativ, dass sie verletzt ist, und ihr Betrag gibt an, wie stark das Signal gestört werden könnte, bevor sich das Urteil ändert.

Die Robustheit macht aus Spezifikation Optimierung. Planer können die Robustheit direkt maximieren, die Formel als Nebenbedingungen in einem gemischt-ganzzahligen Programm kodieren oder glatte Näherungen der Min- und Max-Operatoren verwenden, sodass gradientenbasierte Trajektorienoptimierung und Lernverfahren anwendbar werden. STL wird auch zur Laufzeit eingesetzt, um zu überwachen, ob ein System seine Anforderungen erfüllt, und um Regler zu falsifizieren, indem nach Störungen gesucht wird, die die Robustheit negativ machen. Die wesentlichen praktischen Kosten sind rechnerischer Art: Verschachtelte temporale Operatoren und lange Horizonte machen die resultierenden Optimierungsprobleme groß, und die nicht glatte Min/Max-Struktur erschwert Gradientenverfahren.

Warum es wichtig ist

Viele Roboteraufgaben haben Fristen, Reihenfolgen und Sicherheitsanforderungen, die sich nur umständlich als einzelne Kostenfunktion oder Belohnung ausdrücken lassen. STL gibt diesen Anforderungen eine exakte Bedeutung, die geprüft, überwacht und optimiert werden kann, und der Robustheitswert gibt Reglern eine Reserve, mit der sie arbeiten können, statt eines binären Bestanden oder Nicht bestanden.

Wichtige Anwendungen

  • Aufgabenspezifikation mit Fristen und Reihenfolgen für mobile Roboter und Drohnen
  • Modellprädiktive Regelung, die die Robustheit der Spezifikation maximiert
  • Laufzeitüberwachung von Sicherheits- und Zeitanforderungen
  • Falsifikation und Test von Reglern, auch für Automobilsysteme
  • Gestaltung von Belohnungen oder Nebenbedingungen für gelernte Policies
  • Koordination mehrerer Roboter mit zeitlich begrenzten gemeinsamen Zielen

In der Praxis

Ein Team, das einen Lagerroboter baut, formuliert die Aufgabe als STL-Formel: innerhalb von 30 Sekunden irgendwann die Abholzone erreichen, dann innerhalb der nächsten 20 Sekunden die Abgabezone erreichen und dabei stets mindestens 0,3 Meter Abstand zu Regalen und Menschen halten. Es modelliert den Roboter als Doppelintegrator, kodiert die Formel über einen zurückweichenden Horizont als gemischt-ganzzahlige Nebenbedingungen und löst sie in einer modellprädiktiven Regelschleife, die die Robustheit maximiert. Tritt ein Mensch in den Gang, ändert sich das Hindernisprädikat, der Löser plant neu, und der protokollierte Robustheitswert zeigt, wie nahe der Roboter an einer Verletzung der Abstandsanforderung war. Dieselbe Formel läuft während der Tests als Offline-Monitor über aufgezeichnete Trajektorien.

Häufige Missverständnisse

  • STL ist hier dasselbe wie das STL-Dateiformat für 3D-Modelle — die Abkürzung bezeichnet auch das Stereolithografie-Meshformat aus CAD und 3D-Druck, das nichts mit Signal-Temporallogik zu tun hat
  • STL liefert nur eine Ja/Nein-Antwort — ihre quantitative Robustheitssemantik liefert eine vorzeichenbehaftete Erfüllungsreserve, die Regler und Optimierer nutzen können
  • Das Maximieren der Robustheit erzeugt immer natürliches Verhalten — die Standard-Robustheit hängt nur vom ungünstigsten Zeitpunkt ab, sodass Optimierer Trajektorien erzeugen können, die die Reserve in einem Augenblick gerade einhalten und den Rest ignorieren
  • STL ist dasselbe wie lineare Temporallogik (LTL) — LTL schließt über diskrete Aussagen ohne explizite Zeitgrenzen, während STL reellwertige Prädikate und Zeitintervalle verwendet

Wer das wissen sollte

  • Ingenieure für Bewegungsplanung und Regelung, die mit formalen Aufgabenspezifikationen arbeiten
  • Verifikations- und Sicherheitsingenieure für autonome Systeme
  • Forschende, die formale Methoden mit Lernen verbinden
  • Planer von Missionen mit mehreren Robotern und Drohnen

Verwandte Technologien

  • Lineare Temporallogik (Linear Temporal Logic)
  • Metrische Intervall-Temporallogik (Metric Interval Temporal Logic)
  • Löser für gemischt-ganzzahlige Programmierung (Mixed-Integer Programming Solvers)
  • Modellprädiktive Regelung (Model Predictive Control)
  • Control Barrier Functions
  • Laufzeitverifikation (Runtime Verification)

Verwandte Begriffe

  • Control Barrier Function
  • Model Predictive Control
  • Mixed-Integer Programming
  • Task Planning
  • Trajectory Planning
  • Double Integrator

Verwandte Projekte

  • Drake: MIT robotics toolbox for model-based dynamics, optimization, and control system design
  • MuJoCo MPC: DeepMind's interactive real-time model predictive control framework for MuJoCo
  • PyPose: PyTorch library for differentiable robotics with deep learning and Lie group optimization
  • ros2_control: Hardware abstraction framework for ROS 2 enabling portable robot control code
  • safe-control-gym: Benchmark suite for safe learning-based control: RL and MPC under one API
  • OpEn (Optimization Engine): Embedded nonconvex optimization solver in Rust for real-time MPC on robots

Diese Website benötigt JavaScript. Bitte aktivieren Sie JavaScript, um unsere Open-Source-Robotikprojekte zu erkunden.