Ro-To-Go! Robust Reactive Control with Signal Temporal Logic

Autoren: Roland Ilyes, Lara Brudermüller, Nick Hawes, Bruno Lacerda · ICRA 2026

Lizenzen

Open Access
Paper: CC BY 4.0

Alles Folgende stützt sich auf das vollständige Paper unter seiner Lizenz CC BY 4.0; die Abbildung wird mit Nennung der Autoren gezeigt.

Kurz gesagt

Ein neues STL-Robustheitsmaß, das die bereits ausgeführte Vergangenheit ignoriert und online per Formelprogression berechnet wird, sodass ein MPC-Planer auch nach einem frühen Beinahe-Zusammenstoß noch sicherere Zukünfte bevorzugen kann.

Warum es wichtig ist

Roboter, die mit STL-Zielen neu planen, verlieren nach einer vergangenen Beinahe-Verletzung nicht mehr jeden Anreiz, sich zu verbessern. Da sich das Maß auf die gewöhnliche Robustheit einer progressierten Formel zurückführen lässt, werden vergangene Beobachtungen nicht erneut verarbeitet, und vorhandene Robustheitswerkzeuge und andere Robustheitsmaße lassen sich weiterverwenden.

Problem

Die STL-Robustheit bewertet eine ganze Trajektorie nach ihrem kritischsten Punkt, sodass in der MPC eine frühe enge Annäherung an ein Hindernis den Wert jedes späteren Plans deckelt. Der Roboter kann dann einen Plan, der sich weit von künftigen Gefahren entfernt, nicht von einem unterscheiden, der das nicht tut.

Lösungsansatz

Robustness-to-go ändert, wie Prädikate bewertet werden: Vor einem gewählten Zeitpunkt t̂ zählt ein Prädikat als +∞ oder −∞, je nachdem, ob es galt, und nach t̂ wird es mit der normalen Robustheit bewertet. Die Autoren beweisen, dass das Maß korrekt ist (genau dann positiv, wenn die Formel erfüllt ist) und der gewöhnlichen Robustheit der progressierten Formel entspricht, sodass bei jedem MPC-Schritt die Formel mit dem neuesten Zustand progressiert wird und Standard-Robustheitswerkzeuge nur den Planungshorizont bewerten.

Wichtigste Erkenntnisse

In der Regelung mit Rückführung kann der kritischste Punkt der STL-Robustheit in der Vergangenheit liegen, wo der Roboter ihn nicht mehr ändern kann
Die robustness-to-go ab dem Zeitpunkt t̂ ist gleich der Robustheit der bis t̂ progressierten Formel und hängt daher nur von der Suffix-Trajektorie ab
Sobald ein 'eventually'-Ziel erfüllt ist, beeinflusst es das Ziel der Optimierung nicht mehr, sodass der Roboter den Zielbereich verlassen kann; die Autoren argumentieren, dass vergangene Erfüllung nicht gestört werden kann und zusätzliche Robustheit dort daher verschwendet ist
Das Maß ist orthogonal zu gemittelten Robustheitsmaßen wie Generalized Mean Robustness und lässt sich mit ihnen kombinieren

Hauptergebnisse

Reach-Avoid-Aufgabe (100 Läufe, dynamische Umgebung): Erfolgsquote 0,91 mit Ro-To-Go gegenüber 0,63 mit STL-Robustheit
Aufgabe Verbleib in einer Region (100 Läufe): Erfolgsquote 0,99 mit Ro-To-Go gegenüber 0,76 mit STL-Robustheit
Mittlere Robustheit: −0,079 ± 0,574 gegenüber −0,421 ± 0,795 (Reach-Avoid), 0,601 ± 0,166 gegenüber 0,341 ± 0,344 (Verbleib); die maximal erreichbare Robustheit für Reach-Avoid beträgt 0,1
Mittlerer minimaler Abstand zur dynamischen Region bei Reach-Avoid: 0,312 ± 0,217 mit Ro-To-Go gegenüber 0,172 ± 0,253 mit Robustheit (Einheiten in Table I nicht angegeben)
Durchgerechnetes Beispiel (Fig. 1): Der robustheitsbasierte Plan kommt dem Menschen bis auf 0,13 m nahe, der Ro-To-Go-Plan bis auf 0,79 m

Einschränkungen

Jeder MPC-Schritt löst ein Problem, das über den Plan hinweg eine statische Umgebung annimmt, daher gibt es keine Sicherheitsgarantien für die Bewegungspläne
Bei 'eventually'-Formeln ist das Verhalten weniger robust: Der Roboter verlässt das Ziel, sobald es erreicht wurde
Der optimierungsbasierte Ansatz (NLP), auf dem es aufbaut, ist unvollständig und findet lokale Optima
Das Maß ist weiterhin lokal: Der kritischste Punkt innerhalb des Planungshorizonts bestimmt den Wert
Nur in der Simulation an einem 2D-Doppelintegrator-Roboter mit zufälliger Umgebungsbewegung evaluiert; keine Hardware-Experimente

Wirkung auf das Fachgebiet

Finalist für den ICRA 2026 Best Paper Award in Automation, mit 1 Zitation. Das Paper veröffentlicht keinen Code; es baut auf der Open-Source-Bibliothek STLRom und auf VP-STO auf.

Zusammenfassung

Die Robustheit der Signal Temporal Logic (STL) ist ein gängiges Ziel für optimale Robotersteuerung, doch ihre Abhängigkeit von der Vorgeschichte schränkt die Entscheidungsfähigkeit des Roboters ein, wenn sie in Ansätzen der Modellprädiktiven Regelung (MPC) eingesetzt wird. In dieser Arbeit führen wir Signal Temporal Logic robustness-to-go (Ro-To-Go) ein, eine neue quantitative Semantik für die Logik, die die Beiträge von Suffix-Trajektorien isoliert. Wir beweisen ihren Zusammenhang mit der Formelprogression für Metric Temporal Logic und zeigen, dass die robustness-to-go nur von der Suffix-Trajektorie und der progressierten Formel abhängt. Wir implementieren robustness-to-go als Ziel in einem MPC-Algorithmus und nutzen Formelprogression, um sie online effizient auszuwerten. Wir testen den Algorithmus in der Simulation und vergleichen ihn mit MPC unter Verwendung der herkömmlichen STL-Robustheit. Unsere Experimente zeigen, dass die Verwendung von robustness-to-go zu einer höheren Erfolgsquote führt.

Open Source Robotics