STeP：基于信号时序逻辑的视觉语言模型动作生成精确规范

视觉-语言-动作（VLA）模型在机器人任务中展现出强大的泛化能力，但往往缺乏可解释性，尤其在处理包含空间、时间和逻辑约束的复杂自然语言指令时表现不佳。针对这一问题，来自多所机构的研究者提出了STeP框架，该框架创新性地将信号时序逻辑（STL）作为连接高层语言理解与低层机器人执行的共享表示，从而实现了更精确、更可靠的机器人动作生成。

STeP框架的核心是一个分层架构。高层策略借助视觉语言模型（VLM）将用户的自然语言指令分解为若干高层子任务，并为每个子任务生成相应的STL规范。STL是一种形式化语言，能够精确描述时序和逻辑约束，如“在10秒内到达目标点”或“先抓取物体A再将其放置于B上”。这些规范将语言中的意图转化为机器人可执行的形式化约束。随后，高层策略会根据子任务的特点选择合适的低层策略。

低层策略有两种执行模式：对于约束明确且需要精确控制的子任务，采用STL引导的模型预测控制（MPC）直接强制执行约束；对于感知复杂或需要接触交互的行为，则采用学习得到的策略，此时STL规范用于在运行时监控执行过程，确保不违反关键约束。这种灵活的设计使得STeP能够适应不同性质的子任务。

STL的引入贯穿整个规划与执行流程。在计划验证阶段，STL规范可用于检查生成的子任务序列是否满足整体指令的约束；在执行过程中，系统持续对实际轨迹进行STL监控，一旦检测到偏离规范，立即触发重新规划。这一闭环机制确保了语言衍生计划能够在运行时被动态检查、优化和修正。

研究者在真实的桌面操作环境中对STeP进行了评估。实验涉及物体的拾取、放置、堆叠等典型任务，指令中包含了空间关系（如“左边”）、时序顺序（如“先…然后…”）和逻辑条件（如“如果…则…”）。结果表明，与传统方法相比，STeP显著提高了任务的成功率、执行的精确度以及对复杂指令的遵循能力。同时，STL提供的可解释性使得研究者能够清晰地理解机器人行为背后的逻辑。

该工作表明，形式化规范在语言条件机器人规划中具有重要价值。未来，STeP框架有望扩展到更复杂的环境和任务，并与其他形式化方法结合，进一步提升机器人系统的可靠性和透明度。相关论文已被提交至arXiv，代码和数据也将逐步公开。