We propose a framework based on Recurrent Neural Networks (RNNs) to determine an optimal control strategy for a discrete-time system that is required to satisfy specifications given as Signal Temporal Logic (STL) formulae. RNNs can store information of a system over time, thus, enable us to determine satisfaction of the dynamic temporal requirements specified in STL formulae. Given a STL formula, a dataset of satisfying system executions and corresponding control policies, we can use RNNs to predict a control policy at each time based on the current and previous states of system. We use Control Barrier Functions (CBFs) to guarantee the safety of the predicted control policy. We validate our theoretical formulation and demonstrate its performance in an optimal control problem subject to partially unknown safety constraints through simulations.

中文翻译：

---

用于受安全约束的信号时间逻辑规范的循环神经网络控制器

我们提出了一个基于循环神经网络 (RNN) 的框架，以确定离散时间系统的最佳控制策略，该策略需要满足作为信号时序逻辑 (STL) 公式给出的规范。RNN 可以随时间存储系统的信息，从而使我们能够确定是否满足 STL 公式中指定的动态时间要求。给定一个 STL 公式、一个满足系统执行的数据集和相应的控制策略，我们可以使用 RNN 根据系统当前和以前的状态预测每次的控制策略。我们使用控制屏障函数 (CBF) 来保证预测控制策略的安全性。我们验证了我们的理论公式，并通过模拟证明了其在受部分未知安全约束的最优控制问题中的性能。