Open Source Robotics

Una raccolta curata di progetti, strumenti e software di robotica open source di alta qualità per la comunità della robotica.

Signal Temporal Logic

  • Detto anche: STL
  • Categoria: Planning & manipulation › Task-level
  • Tag: formal-methods, temporal-logic, task-specification, control, planning

Un linguaggio formale per scrivere requisiti vincolati nel tempo su segnali a valori reali, come le traiettorie dei robot, con un punteggio di robustezza che dice con quanto margine una traiettoria li soddisfa.

Definizione

Logica temporale dei segnali (STL) (signal temporal logic) è un linguaggio di specifica formale per proprietà di segnali continui a valori reali nel tempo. È stata introdotta da Oded Maler e Dejan Nickovic nel 2004 come estensione della logica temporale metrica a intervalli, con lo scopo di monitorare i segnali di sistemi continui e ibridi. In robotica il segnale è di solito una traiettoria di stati, e la STL permette a un ingegnere di scrivere requisiti come "raggiungere la regione A entro 10 secondi, restarci per almeno 2 secondi e non avvicinarsi mai a meno di 0,5 metri dall'ostacolo" come un'unica formula precisa.

Una formula STL è costruita a partire da predicati della forma μ(x) ≥ 0, dove μ è una funzione dello stato come la distanza da un obiettivo, combinati con operatori booleani (non, e, o) e operatori temporali che portano intervalli di tempo espliciti: sempre G[a,b] (la formula vale in ogni istante dell'intervallo), prima o poi F[a,b] (vale in qualche istante dell'intervallo) e finché U[a,b]. Poiché i predicati sono a valori reali, la STL ha una semantica quantitativa oltre a un significato vero/falso. La robustezza di una traiettoria rispetto a una formula, come definita da Fainekos e Pappas e da Donzé e Maler, è un numero con segno: positivo significa che la formula è soddisfatta, negativo che è violata, e il suo modulo dice di quanto il segnale potrebbe essere perturbato prima che il verdetto cambi.

La robustezza trasforma la specifica in ottimizzazione. I pianificatori possono massimizzare direttamente la robustezza, codificare la formula come vincoli in un programma intero misto oppure usare approssimazioni regolari degli operatori min e max, così da poter applicare l'ottimizzazione di traiettorie basata sul gradiente e i metodi di apprendimento. La STL si usa anche a runtime per monitorare se un sistema rispetta i propri requisiti, e per falsificare i controllori cercando disturbi che rendano negativa la robustezza. I principali costi pratici sono computazionali: operatori temporali annidati e orizzonti lunghi rendono grandi i problemi di ottimizzazione risultanti, e la struttura min/max non regolare complica i metodi basati sul gradiente.

Perché è importante

Molti compiti robotici hanno scadenze, requisiti di ordine e di sicurezza difficili da esprimere come un'unica funzione di costo o ricompensa. La STL dà a questi requisiti un significato esatto che può essere verificato, monitorato e ottimizzato, e il suo punteggio di robustezza offre ai controllori un margine su cui lavorare invece di un semplice superato o fallito.

Applicazioni principali

  • Specifica di compiti con scadenze e ordine per robot mobili e droni
  • Controllo predittivo basato su modello che massimizza la robustezza della specifica
  • Monitoraggio a runtime dei requisiti di sicurezza e di temporizzazione
  • Falsificazione e test dei controllori, compresi i sistemi automobilistici
  • Definizione di ricompense o vincoli per policy apprese
  • Coordinamento multi-robot con obiettivi congiunti vincolati nel tempo

In pratica

Un team che costruisce un robot da magazzino scrive il compito come formula STL: prima o poi, entro 30 secondi, raggiungere la zona di prelievo, poi entro i 20 secondi successivi raggiungere la zona di consegna, restando sempre ad almeno 0,3 metri da scaffali e persone. Il team modella il robot come un doppio integratore, codifica la formula su un orizzonte mobile come vincoli interi misti e la risolve in un ciclo di controllo predittivo basato su modello che massimizza la robustezza. Quando una persona entra nel corridoio, il predicato dell'ostacolo cambia, il risolutore ripianifica e il valore di robustezza registrato mostra quanto il robot sia andato vicino a violare il requisito di distanza minima. La stessa formula viene eseguita come monitor offline sulle traiettorie registrate durante i test.

Idee sbagliate comuni

  • STL qui è la stessa cosa del formato di file STL per modelli 3D — la sigla indica anche il formato di mesh per stereolitografia usato nel CAD e nella stampa 3D, che non ha nulla a che vedere con la logica temporale dei segnali
  • La STL dà solo una risposta sì o no — la sua semantica quantitativa di robustezza fornisce un margine di soddisfacimento con segno che controllori e ottimizzatori possono usare
  • Massimizzare la robustezza produce sempre un comportamento naturale — la robustezza standard dipende solo dall'istante peggiore, quindi gli ottimizzatori possono produrre traiettorie che rispettano il margine appena in un istante e ignorano il resto
  • La STL è la stessa cosa della logica temporale lineare (LTL) — la LTL ragiona su proposizioni discrete senza limiti di tempo espliciti, mentre la STL usa predicati a valori reali e intervalli temporizzati

Chi dovrebbe saperlo

  • Ingegneri di pianificazione del movimento e di controllo che lavorano con specifiche formali dei compiti
  • Ingegneri di verifica e sicurezza per sistemi autonomi
  • Ricercatori che combinano metodi formali e apprendimento
  • Progettisti di missioni multi-robot e con droni

Tecnologie correlate

  • Logica temporale lineare (Linear Temporal Logic)
  • Logica temporale metrica a intervalli (Metric Interval Temporal Logic)
  • Risolutori di programmazione intera mista (Mixed-Integer Programming Solvers)
  • Controllo predittivo basato su modello (Model Predictive Control)
  • Funzioni barriera di controllo (Control Barrier Functions)
  • Verifica a runtime (Runtime Verification)

Termini correlati

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

Progetti correlati

  • 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

Questo sito richiede JavaScript. Attiva JavaScript per esplorare i nostri progetti di robotica open source.