Signal Temporal Logic
- También llamado: STL
- Categoría: Planning & manipulation › Task-level
- Etiquetas: formal-methods, temporal-logic, task-specification, control, planning
Un lenguaje formal para escribir requisitos acotados en el tiempo sobre señales de valores reales, como las trayectorias de un robot, con una puntuación de robustez que indica con qué margen una trayectoria los cumple.
Definición
Lógica temporal de señales (STL) (signal temporal logic) es un lenguaje de especificación formal para propiedades de señales continuas de valores reales a lo largo del tiempo. La introdujeron Oded Maler y Dejan Nickovic en 2004 como una extensión de la lógica temporal métrica de intervalos, orientada a monitorizar señales de sistemas continuos e híbridos. En robótica, la señal suele ser una trayectoria de estados, y la STL permite a un ingeniero escribir requisitos como "alcanzar la región A en un plazo de 10 segundos, permanecer allí al menos 2 segundos y no acercarse nunca a menos de 0,5 metros del obstáculo" como una única fórmula precisa.
Una fórmula STL se construye a partir de predicados de la forma μ(x) ≥ 0, donde μ es una función del estado, como la distancia a un objetivo, combinados con operadores booleanos (no, y, o) y operadores temporales que llevan intervalos de tiempo explícitos: siempre G[a,b] (la fórmula se cumple en todo instante del intervalo), finalmente (eventually) F[a,b] (se cumple en algún instante del intervalo) y hasta U[a,b]. Como los predicados son de valores reales, la STL tiene una semántica cuantitativa además de un significado de verdadero/falso. La robustez de una trayectoria respecto a una fórmula, tal como la definieron Fainekos y Pappas y también Donzé y Maler, es un número con signo: positivo significa que la fórmula se cumple, negativo que se incumple, y su magnitud indica cuánto podría perturbarse la señal antes de que cambie el veredicto.
La robustez convierte la especificación en optimización. Los planificadores pueden maximizar la robustez directamente, codificar la fórmula como restricciones en un programa entero mixto o usar aproximaciones suaves de los operadores min y max para poder aplicar la optimización de trayectorias basada en gradiente y métodos de aprendizaje. La STL también se usa en tiempo de ejecución para monitorizar si un sistema cumple sus requisitos, y para falsar controladores buscando perturbaciones que vuelvan negativa la robustez. Los principales costes prácticos son computacionales: los operadores temporales anidados y los horizontes largos hacen grandes los problemas de optimización resultantes, y la estructura min/max no suave complica los métodos de gradiente.
Por qué importa
Muchas tareas robóticas tienen plazos, requisitos de orden y de seguridad que son difíciles de expresar como una única función de coste o recompensa. La STL da a estos requisitos un significado exacto que puede comprobarse, monitorizarse y optimizarse, y su puntuación de robustez da a los controladores un margen con el que trabajar en lugar de un simple aprobado o suspenso.
Aplicaciones clave
- Especificación de tareas con plazos y orden para robots móviles y drones
- Control predictivo basado en modelo que maximiza la robustez de la especificación
- Monitorización en tiempo de ejecución de requisitos de seguridad y temporización
- Falsación y prueba de controladores, incluidos sistemas de automoción
- Diseño de recompensas o restricciones para políticas aprendidas
- Coordinación multirrobot con objetivos conjuntos acotados en el tiempo
En la práctica
Un equipo que construye un robot de almacén escribe la tarea como una fórmula STL: alcanzar en algún momento de los próximos 30 segundos la zona de recogida, después alcanzar la zona de entrega en los 20 segundos siguientes, manteniéndose siempre al menos a 0,3 metros de las estanterías y de las personas. Modelan el robot como un doble integrador, codifican la fórmula sobre un horizonte deslizante como restricciones enteras mixtas y la resuelven en un bucle de control predictivo basado en modelo que maximiza la robustez. Cuando una persona entra en el pasillo, el predicado del obstáculo cambia, el solucionador vuelve a planificar y el valor de robustez registrado muestra lo cerca que estuvo el robot de incumplir el requisito de distancia libre. La misma fórmula se ejecuta como monitor fuera de línea sobre trayectorias grabadas durante las pruebas.
Ideas erróneas comunes
- STL aquí es lo mismo que el formato de archivo de modelos 3D STL — la abreviatura también designa el formato de malla de estereolitografía usado en CAD e impresión 3D, que no tiene relación con la lógica temporal de señales
- La STL solo da una respuesta de sí o no — su semántica cuantitativa de robustez da un margen de cumplimiento con signo que los controladores y optimizadores pueden usar
- Maximizar la robustez siempre produce un comportamiento natural — la robustez estándar depende solo del instante del peor caso, así que los optimizadores pueden producir trayectorias que cumplen justo el margen en un instante e ignoran el resto
- La STL es lo mismo que la lógica temporal lineal (LTL) — la LTL razona sobre proposiciones discretas sin límites de tiempo explícitos, mientras que la STL usa predicados de valores reales e intervalos temporizados
Quién debería saberlo
- Ingenieros de planificación de movimiento y control que trabajan con especificaciones formales de tareas
- Ingenieros de verificación y seguridad de sistemas autónomos
- Investigadores que combinan métodos formales con aprendizaje
- Diseñadores de misiones multirrobot y de drones
Tecnologías relacionadas
- Lógica temporal lineal (Linear Temporal Logic)
- Lógica temporal métrica de intervalos (Metric Interval Temporal Logic)
- Solucionadores de programación entera mixta (Mixed-Integer Programming Solvers)
- Control predictivo basado en modelo (Model Predictive Control)
- Funciones barrera de control (Control Barrier Functions)
- Verificación en tiempo de ejecución (Runtime Verification)
Términos relacionados
- Control Barrier Function
- Model Predictive Control
- Mixed-Integer Programming
- Task Planning
- Trajectory Planning
- Double Integrator
Proyectos relacionados
- 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