高レベルマルチロボット軌道計画と虚構的行為の検出

arXiv:2510.17261v2 Announce Type: replace-cross 要約：非均質なエージェントを持つマルチロボットシステムにおいて、高レベルのミッションを信頼して実行するためには、虚構的行為を検出するための堅牢な方法が必要不可欠である。本稿では、線形時間論理（LTL）式として指定された計画の虚構な実行、すなわち不正なタスクシーケンシャル、空間制約の違反、タイミングの矛盾、および意図したミッション意味からの逸脱を同定するという課題に焦点を当てた。これに対応するため、Nets-within-Nets（NWN）パラジグムに基づく構造化されたデータ生成フレームワークを導入し、ロボット行動と LTL から導き出されたグロバールミッション仕様を調整する。さらに、ロボット軌跡を正常または異常として分類するトランスフォーマーベースの異常検出パイプラインを提案した。実験的評価结果表明、我々の方法が実行の非効率性を識別する精度は 91.3%、ミッション違反の検出能力は 88.3%、制約ベースの適応的異常の検出能力は 66.8% で高かった。埋め込みとアーキテクチャに関するアベイション実験も行われ、我々の新提案が単純な表現に優れていることが確認された。

arXiv:2510.17261v2 Announce Type: replace-cross Abstract: The reliable execution of high-level missions in multi-robot systems with heterogeneous agents, requires robust methods for detecting spurious behaviors. In this paper, we address the challenge of identifying spurious executions of plans specified as a Linear Temporal Logic (LTL) formula, as incorrect task sequences, violations of spatial constraints, timing inconsistencies, or deviations from intended mission semantics. To tackle this, we introduce a structured data generation framework based on the Nets-within-Nets (NWN) paradigm, which coordinates robot actions with LTL-derived global mission specifications. We further propose a Transformer-based anomaly detection pipeline that classifies robot trajectories as normal or anomalous. Experimental evaluations show that our method achieves high accuracy (91.3%) in identifying execution inefficiencies, and demonstrates robust detection capabilities for core mission violations (88.3%) and constraint-based adaptive anomalies (66.8%). An ablation experiment of the embedding and architecture was carried out, obtaining successful results where our novel proposition performs better than simpler representations.