多智能体 STL任务分解
[1] K. Leahy, M. Mann, and C.-I. Vasile, “Rewrite-Based Decomposition of Signal Temporal Logic Specifications,” in NASA Formal Methods, K. Y. Rozier and S. Chaudhuri, Eds., in Lecture Notes in Computer Science. Cham: Springer Nature Switzerland, 2023, pp. 224–240. doi: 10.1007/978-3-031-33170-1_14.
[2,7,21,23]
[6] Charitidou, M., Dimarogonas, D.V.: Signal temporal logic task decomposition via convex optimization. IEEE Contr. Syst. Lett. 6 , 1238–1243 (2021)
[14] Leahy, K., Jones, A., Vasile, C.I.: Fast decomposition of temporal logic specifications for heterogeneous teams. IEEE Robot. Autom. Lett. 7 (2), 2297–2304 (2022)
[22] Sun, D., Chen, J., Mitra, S., Fan, C.: Multi-agent motion planning from signal temporal logic specifications. IEEE Robot. Autom. Lett. 7 (2), 3451–3458 (2022)
文章分层定义了predicate和conjugate,如下所示
虽然文章说不约束STL的形式,但是这个定义一出来看上去是只接受一层时序嵌套和布尔运算的组合
智能体定义为一个状态和状态上界(element-wise)的元组 A = ( x ( t ) , u ) A=(x(t),u) A=(x(t),u)
u u u: x ( t ) x(t) x(t)有一个恒定的上界,假定是已知的
An agent “services” a predicate: 一个智能体的动作对该predicate是否满足有影响
equivalence class g u g_u gu: 具有相同 u u u的智能体被看做为同一类型
Robustness upper bound ρ u b \rho_{ub} ρub: 所有机器人鲁棒度能够达到的最大值之和
这里完成上面步骤中的第一步:将原公式转化为更容易分解的形式
最顶层为合取 ∧ \land ∧组合为的公式是最容易分解的, ∧ \land ∧下的子公式没有逻辑关联性(都满足就好了),因此这里想了一个方法将所有的公式都改成顶层连接词为 ∧ \land ∧的形式。
为了保证分解后的问题与原问题的统一性,必须保证改写后的公式比原公式更加严格。
因此文章提出下面3中加入顶层 ∧ \land ∧的方法: → □ , → ⋄ , → U \to_\square,\to_\diamond,\to_\mathcal{U} →□,→⋄,→U
接下来就是一些比较长的数学证明,这里不细看了
G : = < Φ , E > G:=\left<\Phi,E\right> G:=⟨Φ,E⟩ 表示公式的变化过程,结点为公式形态,边为重写规则,如下如所示
上面证明过DAG一定能够以有限图终止,上图最下方也展示了这个结果
这一部分做的是给上面的所有结点评分,以选出一个最佳的分解方法
一个将STL公式转化成智能体集合的函数:
α : c o n j ( ϕ ) → 2 J \alpha:conj(\phi)\to 2^J α:conj(ϕ)→2J