LTLDoG: Satisfying Temporally-Extended Symbolic Constraints for Safe Diffusion-based Planning

在遵守规定的限制条件的同时，能够有效地在复杂环境中运作对于与人类互动和操作的机器人的安全和成功部署至关重要。在这项工作中，我们专注于在测试时生成遵守新的静态和时间扩展的约束/指令的长期轨迹。我们提出了一种数据驱动的扩散基础框架LTLDoG，该框架修改了逆过程的推理步骤，给定使用有限线性时态逻辑（LTLf）指定的指令。LTLDoG利用LTLf上的满足值函数，并使用其梯度场指导采样步骤。该值函数还可以训练以推广到在训练期间未观察到的新指令，从而实现灵活的测试时间适应性。机器人导航和操作的实验说明了该方法能够生成满足指定避障和访问顺序的公式的轨迹。

如何在遵守约束条件的前提下，生成长时间轨迹以使机器人能够与人类互动和操作？

提出了一种基于扩散的数据驱动框架LTLDoG，该框架修改了逆过程的推理步骤，使用有限线性时态逻辑（LTLf）指定的指令来生成满足新颖的静态和时间扩展约束/指令的长时间轨迹，并使用其梯度场引导采样步骤。

LTLDoG可以训练满足新指令的价值函数，实现了灵活的测试时适应性。实验表明，该方法能够生成满足障碍物避让和访问顺序等要求的轨迹。

最近在这个领域中，还有一些相关的研究，如基于深度学习的路径规划，使用模型预测控制（MPC）的轨迹生成等。