視覺-語言-動作（VLA）模型在機器人任務中展現出強大的泛化能力，但往往缺乏可解釋性，尤其在處理包含空間、時間和邏輯約束的複雜自然語言指令時表現不佳。針對這一問題，來自多所機構的研究者提出了STeP框架，該框架創新性地將訊號時序邏輯（STL）作為連線高層語言理解與低層機器人執行的共享表示，從而實現了更精確、更可靠的機器人動作生成。
STeP框架的核心是一個分層架構。高層策略藉助視覺語言模型（VLM）將使用者的自然語言指令分解為若干高層子任務，併為每個子任務生成相應的STL規範。STL是一種形式化語言，能夠精確描述時序和邏輯約束，如“在10秒內到達目標點”或“先抓取物體A再將其放置於B上”。這些規範將語言中的意圖轉化為機器人可執行的形式化約束。隨後，高層策略會根據子任務的特點選擇合適的低層策略。
低層策略有兩種執行模式：對於約束明確且需要精確控制的子任務，採用STL引導的模型預測控制（MPC）直接強制執行約束；對於感知複雜或需要接觸互動的行為，則採用學習得到的策略，此時STL規範用於在執行時監控執行過程，確保不違反關鍵約束。這種靈活的設計使得STeP能夠適應不同性質的子任務。
STL的引入貫穿整個規劃與執行流程。在計劃驗證階段，STL規範可用於檢查生成的子任務序列是否滿足整體指令的約束；在執行過程中，系統持續對實際軌跡進行STL監控，一旦檢測到偏離規範，立即觸發重新規劃。這一閉環機制確保了語言衍生計劃能夠在執行時被動態檢查、最佳化和修正。
研究者在真實的桌面操作環境中對STeP進行了評估。實驗涉及物體的拾取、放置、堆疊等典型任務，指令中包含了空間關係（如“左邊”）、時序順序（如“先…然後…”）和邏輯條件（如“如果…則…”）。結果表明，與傳統方法相比，STeP顯著提高了任務的成功率、執行的精確度以及對複雜指令的遵循能力。同時，STL提供的可解釋性使得研究者能夠清晰地理解機器人行為背後的邏輯。
該工作表明，形式化規範在語言條件機器人規劃中具有重要價值。未來，STeP框架有望擴充套件到更復雜的環境和任務，並與其他形式化方法結合，進一步提升機器人系統的可靠性和透明度。相關論文已被提交至arXiv，程式碼和資料也將逐步公開。