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

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

Licences

• Accès libre
• Article: CC BY 4.0

Tout ce qui suit s'appuie sur l'article complet sous sa licence CC BY 4.0 ; sa figure est montrée en citant les auteurs.

En bref

Une nouvelle mesure de robustesse STL qui ignore le passé déjà exécuté, calculée en ligne par progression de formules, afin qu'un planificateur MPC puisse encore préférer des futurs plus sûrs après un quasi-accident précoce.

Pourquoi c'est important

Les robots qui replanifient avec des objectifs STL ne perdent plus toute incitation à s'améliorer après une quasi-violation passée. Comme la mesure se ramène à la robustesse ordinaire d'une formule progressée, les observations passées ne sont pas retraitées et les outils de robustesse existants ainsi que d'autres mesures de robustesse peuvent être réutilisés.

Problème

La robustesse STL note une trajectoire entière d'après son point le plus critique, de sorte qu'en MPC une approche précoce trop proche d'un obstacle plafonne le score de tous les plans ultérieurs. Le robot ne peut alors pas distinguer un plan qui s'éloigne nettement des dangers futurs d'un plan qui ne le fait pas.

Solution proposée

La robustness-to-go change la façon dont les prédicats sont notés : avant un instant choisi t̂, un prédicat compte pour +∞ ou −∞ selon qu'il a été vérifié ou non, et après t̂ il est noté avec la robustesse normale. Les auteurs prouvent qu'elle est correcte (positive exactement lorsque la formule est satisfaite) et qu'elle est égale à la robustesse ordinaire de la formule progressée, de sorte qu'à chaque pas de MPC la formule est progressée avec le dernier état et que des outils de robustesse standard ne notent que l'horizon de planification.

Idées clés

• En commande par rétroaction, le point le plus critique de la robustesse STL peut se situer dans le passé, là où le robot ne peut plus le modifier
• La robustness-to-go à partir de l'instant t̂ est égale à la robustesse de la formule progressée jusqu'à t̂ ; elle ne dépend donc que de la trajectoire suffixe
• Une fois qu'un objectif 'eventually' est atteint, il n'affecte plus l'objectif d'optimisation, si bien que le robot peut quitter la région cible ; les auteurs soutiennent qu'une satisfaction passée ne peut pas être perturbée et qu'un surcroît de robustesse à cet endroit est donc gaspillé
• La mesure est orthogonale aux mesures de robustesse moyennées comme Generalized Mean Robustness et peut être combinée avec elles

Principaux résultats

• Tâche d'atteinte-évitement (100 essais, environnement dynamique) : taux de réussite de 0,91 avec Ro-To-Go contre 0,63 avec la robustesse STL
• Tâche de maintien dans une région (100 essais) : taux de réussite de 0,99 avec Ro-To-Go contre 0,76 avec la robustesse STL
• Robustesse moyenne : −0,079 ± 0,574 contre −0,421 ± 0,795 (atteinte-évitement), 0,601 ± 0,166 contre 0,341 ± 0,344 (maintien) ; la robustesse maximale atteignable pour l'atteinte-évitement est de 0,1
• Distance minimale moyenne à la région dynamique en atteinte-évitement : 0,312 ± 0,217 avec Ro-To-Go contre 0,172 ± 0,253 avec la robustesse (unités non précisées dans la Table I)
• Exemple détaillé (Fig. 1) : le plan fondé sur la robustesse passe à moins de 0,13 m de l'humain, le plan Ro-To-Go à moins de 0,79 m

Limites

• Chaque pas de MPC résout un problème qui suppose un environnement statique sur la durée du plan, il n'y a donc aucune garantie de sécurité pour les plans de mouvement
• Avec des formules 'eventually', le comportement est moins robuste : le robot quitte l'objectif une fois celui-ci atteint
• L'approche fondée sur l'optimisation (NLP) sur laquelle elle s'appuie est incomplète et trouve des optima locaux
• La mesure reste locale : le point le plus critique dans l'horizon de planification détermine le score
• Évaluée uniquement en simulation sur un robot double intégrateur 2D avec des mouvements aléatoires de l'environnement ; aucune expérience sur matériel

Impact sur le domaine

Finaliste de l'ICRA 2026 Best Paper Award in Automation, avec 1 citation. L'article ne publie pas de code ; il s'appuie sur la bibliothèque open source STLRom et sur VP-STO.

Résumé

La robustesse de la logique temporelle de signal (Signal Temporal Logic, STL) est un objectif courant pour la commande optimale de robots, mais sa dépendance à l'historique limite les capacités de décision du robot lorsqu'elle est utilisée dans des approches de commande prédictive (MPC). Dans ce travail, nous introduisons Signal Temporal Logic robustness-to-go (Ro-To-Go), une nouvelle sémantique quantitative pour cette logique qui isole les contributions des trajectoires suffixes. Nous prouvons sa relation avec la progression de formules pour la Metric Temporal Logic, et montrons que la robustness-to-go ne dépend que de la trajectoire suffixe et de la formule progressée. Nous implémentons la robustness-to-go comme objectif dans un algorithme de MPC et utilisons la progression de formules pour l'évaluer efficacement en ligne. Nous testons l'algorithme en simulation et le comparons à une MPC utilisant la robustesse STL traditionnelle. Nos expériences montrent que l'utilisation de la robustness-to-go donne un taux de réussite plus élevé.

Liens

• arXiv 2503.05792: https://arxiv.org/abs/2503.05792
• DOI 10.1109/ICRA57385.2026.11697342: https://doi.org/10.1109/ICRA57385.2026.11697342
• PDF: https://arxiv.org/pdf/2503.05792v1