[论文解读] Active Perception and Control from PrSTL Specifications

Rafael Rodrigues da Silva, Vince Kurtz+1 more|arXiv (Cornell University)|Nov 3, 2021

Formal Methods in Verification参考文献 19被引用 4

一句话总结

本文提出了一种新颖的框架，用于在部分可观测、存在噪声的混合系统中实现主动感知与控制，采用概率信号时序逻辑（PrSTL）规范。通过结合有界模型检测（BMC）与基于采样的轨迹生成，以及反例引导的归纳合成（CEGIS），该方法在不确定性条件下生成满足复杂时序逻辑任务的控制器，在蒙特卡洛模拟中实现了92.07%的平均成功率，置信水平为95%。

ABSTRACT

Next-generation intelligent systems must plan and execute complex tasks with imperfect information about their environment. As a result, plans must also include actions to learn about the environment. This is known as active perception. Most active perception algorithms rely on reward or cost functions, which are usually challenging to specify and offer few theoretical guarantees. On the other hand, symbolic control methods can account for complex tasks using temporal logic but often do not deal well with uncertainties. This work combines symbolic control with active perception to achieve complex tasks in a partially observed and noisy control system with hybrid dynamics. Our basic idea is to employ a counterexample-guided-inductive-synthesis approach for control from probabilistic signal temporal logic (PrSTL) specifications. Our proposed algorithm combines bounded model checking (BMC) with sampling-based trajectory synthesis for uncertain hybrid systems. Active perception is inherently built into the framework because PrSTL formulas are defined in the chance domain.

研究动机与目标

• 解决在初始状态和动态存在不确定性、需通过感知主动减少不确定性的部分可观测、噪声环境中规划复杂任务的挑战。
• 通过将概率信号时序逻辑（PrSTL）与信念空间控制相结合，克服基于奖励的主动感知与符号控制的局限性，适用于混合系统。
• 通过分层架构解耦逻辑约束与动力学约束，实现复杂PrSTL规范的可扩展控制器合成。
• 在设计阶段即使测量不可用，也通过建模观测对信念更新的影响，将主动感知整合到控制器合成中。
• 在不确定性下的运动规划与机器人操作任务中验证该方法，展示其鲁棒性与高成功率。

提出的方法

• 采用带高斯噪声的切换线性系统建模系统动力学，通过卡尔曼滤波实现高效的信念传播。
• 使用概率信号时序逻辑（PrSTL）指定具有机会约束的高层任务，捕捉实时时序需求中的不确定性。
• 应用自定义的有界模型检测（BMC）求解器，从PrSTL公式中提取凸机会约束序列，实现逻辑约束与动力学约束的解耦。
• 集成基于采样的运动规划器，生成满足BMC生成约束的信念轨迹，确保在不确定性下的可行性。
• 当未找到有效轨迹时，使用反例引导的归纳合成（CEGIS）迭代优化BMC约束，提升收敛性与正确性。
• 在规划过程中使用最大似然观测（MLO）方法近似未知观测，实现在保持计划鲁棒性的前提下可处理的信念状态更新。

实验结果

研究问题

• RQ1 如何系统性地将主动感知整合到部分可观测与过程噪声混合系统的控制器合成中？
• RQ2 结合BMC与基于采样的规划的分层控制器合成框架，能否在不确定性下实现复杂PrSTL规范的可扩展性？
• RQ3 在规划过程中通过MLO近似观测，在多大程度上能保持最终执行的正确性与鲁棒性？
• RQ4 如何有效利用PrSTL规范捕捉并控制在不确定初始状态与噪声测量下的信念动态？
• RQ5 所提方法在满足概率约束的高层任务规范下，其经验成功率是多少？

主要发现

• 所提方法在30次蒙特卡洛模拟中平均成功概率达到92.07% ± 9.21，展示了在不确定性下的鲁棒性。
• 在明暗域示例中，96%的模拟执行满足PrSTL规范，与要求的95%置信水平非常接近。
• 即使初始状态位于95%置信区间之外，算法仍通过有效的主动感知与信念跟踪成功完成任务。
• 机器人操作任务中，系统需通过主动感知纠正初始信念中对圆盘与目标位置的误差，并在抓取前自主规划感知动作。
• 规划过程中使用MLO近似使即使在未观测到测量值的情况下也能生成可行轨迹，模拟结果证实该近似保留了关键计划行为。
• 该框架成功处理了非凸PrSTL规范与混合动力学，突破了以往工作仅限于凸片段或确定性系统的限制。