May, 2024

从数据中提取加强的检索辅助的时间逻辑规范

PDF
TL;DR从观察行为中学习 Signal Temporal Logic (STL) 的要求，通过结合贝叶斯优化和信息检索技术，同时学习 STL 公式的结构和参数，提高了对于需求挖掘的有效性，进一步推动了在计算机物理系统中的研究。
cyber-physical systemsrequirement miningsignal temporal logicbinary classificationbayesian optimization
发现论文，激发创造
  • 基于逻辑的时间序列数据聚类与学习

    本文研究利用 Parametric Signal Temporal Logic 设计无监督的时间序列数据特征以解决数据过载问题，以实现对复杂模型和实验产生的大量数据进行自动分类。作者通过几个示例说明了这种技术如何生产可解释性的公式，适合进行分析和理解。

    Dec, 2016

  • 基于模型设计的智能物理系统中的参数时序逻辑属性挖掘

    本文提出了一种针对具有多个参数的度量或信号时间逻辑（MTL 或 STL）的规范的框架，该框架可以自动地推断参数的范围，以便系统未满足属性标准。同时，我们还提供了用于多参数规范探索和可视化的算法，并且在实际工业应用引擎模型以及相关文献的例子中进行了演示。

    Dec, 2015

  • 信号时态逻辑神经预测控制

    通过直接学习神经网络控制器以满足信号时间逻辑 (STL) 的要求，以确保长期机器人任务的安全性和满足时间规范的挑战。同时，采用备用策略以保证控制器故障时的安全性。该方法可以适应不同的初始条件和环境参数，并在复杂的 STL 规范任务中以 10 倍至 100 倍速度快于传统方法。

    Sep, 2023

  • 一种强健的基因算法用于从数据中学习时序规范

    本文提供了一种系统的方法来合成时序逻辑公式的语法结构和参数，其中利用了一种新颖的进化算法来学习公式的结构，然后对候选公式的平均鲁棒性执行参数综合，以应对动力系统的异常轨迹检测和无效呼吸努力的表征两个案例研究。

    Nov, 2017

  • 不确定性下的安全控制

    本文提出了一种新的逻辑 PrSTL 作为表达随机性质和强制其概率保证的表现语言，并展示了如何使用这种逻辑对具有随机性质的智能物理系统进行控制器合成，其关键特点是适应性逻辑并随着系统遇到附加数据而变化，并通过合成多种情况下无人机和自主车辆的控制器来演示我们的方法。

    Oct, 2015

  • 基于漏斗的信号时序逻辑强化学习

    本文介绍一种基于 funnel functions 的可行强化学习算法，用于实现连续状态空间中 STL 规范的鲁棒满足，并在摆和移动机器人示例上演示了该方法的实用性。

    Nov, 2022

  • Q-Learning 用于满足信号时序逻辑规范的稳健性

    该论文提出了一种利用近似解决 STL 综合问题的方法，通过最大化已知的效果指标来学习未知随机动态系统的最优策略，在模拟中验证了该方法的有效性。

    Sep, 2016

  • 多类别时间逻辑神经网络

    我们提出了一种方法，结合了神经网络和 Signal Temporal Logic，用于对时间序列数据进行多类别分类，通过引入边界概念和 STL 属性，提高了分类结果的可解释性。

    Feb, 2024

  • TLINet: 可微分神经网络时态逻辑推理

    TLINet 是一个神经符号框架，用于学习 Signal Temporal Logic 公式。该框架不仅学习 STL 公式的结构，还学习参数，具有解释性、紧凑性、表达能力丰富和计算效率高等优势。

    May, 2024

  • 使用信号时间逻辑从自然语言和演示中进行交互式学习

    该研究介绍了一种交互式学习方法，能够从自然语言描述中学习正确、简洁的统一信号时序逻辑公式，并使用深度 Q 学习算法确定机器人的最优控制策略。

    Jul, 2022