[论文解读] RTAMT: Online Robustness Monitors from STL

Dejan Ničković, Tomoya Yamaguchi|arXiv (Cornell University)|May 24, 2020

Formal Methods in VerificationComputer Science参考文献 15被引用 20

一句话总结

本文提出 rtamt，一个用于信号时序逻辑（STL）及其接口感知变体（IA-STL）的在线监控库，支持在离散时间和稠密时间语义下对信息物理系统进行实时鲁棒性监控。它通过 rtamt4ros 与 ROS 集成，在机器人案例研究中通过在线属性监控、敏感性分析和 falsification 测试展示了有效性，实现了早期违规检测和高效的运行时验证。

ABSTRACT

We present RTAMT, an online monitoring library for Signal Temporal Logic (STL) and its interface-aware variant (IA-STL), providing both discrete- and dense-time interpretation of the logic. We also introduce RTAMT4ROS, a tool that integrates RTAMT with Robotic Operating System (ROS), a common environment for developing robotic applications. We evaluate RTAMT and RTAMT4ROS on two robotic case studies.

研究动机与目标

• 为解决复杂机器人信息物理系统（CPS）中可扩展性和实时验证的瓶颈问题。
• 通过 STL 中的定量鲁棒性语义，实现系统属性的在线、运行时验证。
• 支持 STL 在离散时间和稠密时间解释下的应用，以实现实时机器人应用中的精确监控。
• 通过 rtamt4ros 将鲁棒性监控集成到 ROS 中，实现在机器人工作负载中的无缝部署。
• 支持实际验证任务，如敏感性分析和 falsification 测试，利用监控框架实现。

提出的方法

• rtamt 使用 ANTLR4 将文本公式解析为抽象解析树（APTs），自动从声明式（IA-）STL 规范生成在线鲁棒性监控器。
• 通过过去化（pastification）将有界未来 STL 公式转换为等价可满足的过去 STL 公式，实现在无需预知未来情况下的在线评估。
• 该库实现了两种后端：用于原型设计的 Python 版本和用于性能关键应用的 C++ 版本，通过 Boost.Python 实现互操作性。
• 支持四种变体：标准和接口感知的 STL，分别具有离散时间和稠密时间解释，采用无穷范数的定量语义。
• rtamt4ros 将该库与 ROS 集成，通过 MATLAB Simulink 中的自定义 S-Function 块实现在机器人系统中的实时监控。
• 该框架通过系统性地改变输入参数并在仿真轨迹上评估鲁棒性，支持在线监控、敏感性分析和 falsification 测试。

实验结果

研究问题

• RQ1 是否能够高效且准确地在实时机器人系统中执行 STL 规范的在线鲁棒性监控？
• RQ2 如何有效应用过去化，以实现在无需未来知识的情况下对有界未来 STL 公式进行在线监控？
• RQ3 rtamt 和 rtamt4ros 在多大程度上能够支持实际验证任务，如敏感性分析和 falsification 测试？
• RQ4 rtamt 与 ROS 和 MATLAB Simulink 的集成如何实现在仿真过程中对属性违规的早期检测？
• RQ5 在现实世界机器人应用中，离散时间与稠密时间监控之间的性能与准确性权衡如何？

主要发现

• rtamt 从（IA-）STL 规范成功生成在线鲁棒性监控器，实现了对系统行为与属性满足或违反距离的实时评估。
• 过去化过程通过将公式转换为仅含过去公式的表达形式，使有界未来 STL 公式的在线监控成为可能，消除了对预知未来的需求。
• 通过 rtamt4ros 将 rtamt 与 ROS 集成，实现了在机器人应用中基于规范的运行时验证部署，支持实时异常检测。
• 在 MATLAB Simulink 中，当检测到属性违规时，在线监控模块会停止仿真，显著减少了违规被早期发现时的仿真时间。
• 利用 rtamt 进行的敏感性分析和 falsification 测试揭示了飞机升降舵控制系统中的关键参数依赖性，热力图可视化了输入变化下的鲁棒性。
• 该框架在系统故障检测方面表现出色，例如在 AECS 案例研究中于 4 秒后检测到跟踪丢失，证实了其在安全关键验证中的实用性。