Open Source Robotics

Uma coleção selecionada de projetos, ferramentas e software de robótica de código aberto de alta qualidade.

Signal Temporal Logic

  • Também chamado: STL
  • Categoria: Planning & manipulation › Task-level
  • Tags: formal-methods, temporal-logic, task-specification, control, planning

Uma linguagem formal para escrever requisitos limitados no tempo sobre sinais de valores reais, como trajetórias de robôs, com uma pontuação de robustez que diz com que margem uma trajetória os satisfaz.

Definição

Lógica temporal de sinais (STL) (signal temporal logic) é uma linguagem de especificação formal para propriedades de sinais contínuos de valores reais ao longo do tempo. Ela foi introduzida por Oded Maler e Dejan Nickovic em 2004 como uma extensão da lógica temporal métrica de intervalos, voltada ao monitoramento de sinais de sistemas contínuos e híbridos. Na robótica, o sinal costuma ser uma trajetória de estados, e a STL permite que um engenheiro escreva requisitos como "alcançar a região A em até 10 segundos, permanecer lá por pelo menos 2 segundos e nunca chegar a menos de 0,5 metro do obstáculo" como uma única fórmula precisa.

Uma fórmula STL é construída a partir de predicados da forma μ(x) ≥ 0, em que μ é uma função do estado, como a distância até um objetivo, combinados com operadores booleanos (não, e, ou) e operadores temporais que carregam intervalos de tempo explícitos: sempre G[a,b] (a fórmula vale em todo instante do intervalo), finalmente (eventually) F[a,b] (vale em algum instante do intervalo) e até U[a,b]. Como os predicados têm valores reais, a STL tem uma semântica quantitativa além de um significado verdadeiro/falso. A robustez de uma trajetória em relação a uma fórmula, conforme definida por Fainekos e Pappas e por Donzé e Maler, é um número com sinal: positivo significa que a fórmula é satisfeita, negativo que é violada, e sua magnitude diz quanto o sinal poderia ser perturbado antes que o veredito mude.

A robustez transforma especificação em otimização. Planejadores podem maximizar a robustez diretamente, codificar a fórmula como restrições em um programa inteiro misto ou usar aproximações suaves dos operadores min e max para que a otimização de trajetória baseada em gradiente e métodos de aprendizado possam ser aplicados. A STL também é usada em tempo de execução para monitorar se um sistema está cumprindo seus requisitos, e para falsificar controladores buscando perturbações que tornem a robustez negativa. Os principais custos práticos são computacionais: operadores temporais aninhados e horizontes longos tornam grandes os problemas de otimização resultantes, e a estrutura min/max não suave complica os métodos de gradiente.

Por que importa

Muitas tarefas robóticas têm prazos, requisitos de ordem e de segurança que são difíceis de expressar como uma única função de custo ou recompensa. A STL dá a esses requisitos um significado exato que pode ser verificado, monitorado e otimizado, e sua pontuação de robustez dá aos controladores uma margem com que trabalhar, em vez de um simples passa ou falha.

Principais aplicações

  • Especificação de tarefas com prazos e ordem para robôs móveis e drones
  • Controle preditivo por modelo que maximiza a robustez da especificação
  • Monitoramento em tempo de execução de requisitos de segurança e de temporização
  • Falsificação e teste de controladores, incluindo sistemas automotivos
  • Modelagem de recompensas ou restrições para políticas aprendidas
  • Coordenação multirrobô com objetivos conjuntos limitados no tempo

Na prática

Uma equipe que constrói um robô de armazém escreve a tarefa como uma fórmula STL: em algum momento dentro de 30 segundos, alcançar a zona de coleta, depois, nos 20 segundos seguintes, alcançar a zona de entrega, mantendo-se sempre a pelo menos 0,3 metro das prateleiras e das pessoas. A equipe modela o robô como um integrador duplo, codifica a fórmula sobre um horizonte deslizante como restrições inteiras mistas e a resolve em um laço de controle preditivo por modelo que maximiza a robustez. Quando uma pessoa entra no corredor, o predicado do obstáculo muda, o solucionador replaneja, e o valor de robustez registrado mostra o quão perto o robô chegou de violar o requisito de distância livre. A mesma fórmula é executada como monitor offline sobre trajetórias gravadas durante os testes.

Equívocos comuns

  • STL aqui é o mesmo que o formato de arquivo de modelos 3D STL — a sigla também nomeia o formato de malha de estereolitografia usado em CAD e impressão 3D, que não tem relação com a lógica temporal de sinais
  • A STL só dá uma resposta de sim ou não — sua semântica quantitativa de robustez dá uma margem de satisfação com sinal que controladores e otimizadores podem usar
  • Maximizar a robustez sempre produz um comportamento natural — a robustez padrão depende apenas do instante de pior caso, então os otimizadores podem produzir trajetórias que atingem a margem por pouco em um instante e ignoram o resto
  • A STL é o mesmo que a lógica temporal linear (LTL) — a LTL raciocina sobre proposições discretas sem limites de tempo explícitos, enquanto a STL usa predicados de valores reais e intervalos temporizados

Quem deve saber

  • Engenheiros de planejamento de movimento e controle que trabalham com especificações formais de tarefas
  • Engenheiros de verificação e segurança de sistemas autônomos
  • Pesquisadores que combinam métodos formais com aprendizado
  • Projetistas de missões multirrobô e de drones

Tecnologias relacionadas

  • Lógica temporal linear (Linear Temporal Logic)
  • Lógica temporal métrica de intervalos (Metric Interval Temporal Logic)
  • Solucionadores de programação inteira mista (Mixed-Integer Programming Solvers)
  • Controle preditivo por modelo (Model Predictive Control)
  • Funções barreira de controle (Control Barrier Functions)
  • Verificação em tempo de execução (Runtime Verification)

Termos relacionados

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

Projetos 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

Este site requer JavaScript. Por favor, habilite o JavaScript para explorar nossos projetos de robótica.