Title: RRT^eta Sampling based Motion Planning and Control from STL Specifications using Arithmetic Geometric Mean Robustness Authors: Ahmad Ahmad, Shuo Liu, Roberto Tron, Calin Belta arXiv: https://arxiv.org/abs/2602.16825
Problem framing
该文的价值在于把 STL 规划里最棘手的非光滑 min-max 鲁棒度替换为 AGM 鲁棒度，缓解树搜索中的“梯度断裂/指引稀疏”问题。
Core method
核心机制是三件事：部分轨迹区间语义、增量监测器、以及基于 FPL 的满足方向组合。直观上，它把“仅由关键时刻决定的硬门槛”改为“全时域、全子公式参与”的平滑评价。可记为 （示意）并在树扩展中增量更新。
Key equations and mechanisms
实验阅读建议：先看 double integrator 与 unicycle 的可行率/收敛速度，再看 7-DoF 机械臂多约束任务，重点比较 guidance 弱时的优势。
Experiment reading guide
局限在于 AGM 参数与权重设定仍有调参成本；当 STL 公式极深且约束冲突强，平滑评价也可能掩盖硬违约边界。
Limitations
未来可把该鲁棒度嵌入学习型 planner（例如 value-guided tree expansion）形成“可证性质 + 学习启发”的混合范式。
Future work
复现建议：先复现增量监测器复杂度，再对比 min-max 与 AGM 在相同采样预算下的成功率曲线。
Replication angle
Figure
arXiv 页面无稳定直链图片
Graph: Paper Node 2602.16825