Probabilistic Planning via Heuristic Forward Search and Weighted Model Counting
Technion - Israel Institute of Technology（以色列理工学院）；University of Innsbruck（因斯布鲁克大学）
提出了一种新的无观测概率规划算法。我们的算法，称为Probabilistic-FF，扩展了启发式的前向搜索机制的一致性FF的问题与概率的不确定性的初始状态和动作的影响。具体而言，Probabilistic-FF结合了Conformant-FF技术与（加权）CNF中的加权模型计数的强大机制，用于优雅地定义搜索空间和启发式函数。我们的评估Probabilistic-FF显示其良好的可扩展性，在一系列的概率域，构成了几个数量级的改进，在这方面的以前的结果。我们使用一个有问题的情况下，指出主要的开放问题，以解决进一步的研究。
2011-10-31 cs.AI
Distribution-aware Goal Prediction and Conformant Model-based Planning for Safe Autonomous Driving
Carnegie Mellon University（卡内基梅隆大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
收集大量专家演示的可行性激发了人们对学习驾驶设置的研究兴趣，其中模型通过模仿专家的驾驶行为来学习。然而，完全依赖模仿可能会限制智能体对训练数据支持之外的新场景的泛化能力。在本文中，我们通过分解驱动任务来应对这一挑战，基于这样的直觉，即与整体的端到端框架相比，模块化架构对环境的变化更具通用性和鲁棒性。具体来说，我们从轨迹预测社区中汲取灵感，并将学习驾驶任务重新定义为障碍感知和接地，分布感知目标预测和基于模型的规划。首先，我们训练障碍感知模块提取视觉上下文的显著表示。然后，我们通过使用归一化流进行条件密度估计来学习多模态目标分布。最后，我们地面候选轨迹预测道路几何形状，并规划基于车辆动力学的行动。在CARLA模拟器下，我们报告了CARNOVEL基准测试的最新结果。
2022-12-16 cs.AI cs.CV cs.LG
Planning with Dynamically Changing Domains
Toronto Metropolitan University (TMU)（多伦多 Metropolitan 大学）；Sun Yat-sen University（孙中山大学）
针对对象集动态变化的规划问题，提出一阶逻辑形式化方法，通过有限界与基化搜索实现无域闭包假设的有界规划，并证明其可靠性与完备性。
2025-07-26 cs.AI cs.CE
A Logic Programming Approach to Knowledge-State Planning: Semantics and Complexity
我们提出了一种新的声明式规划语言，称为K，这是基于逻辑编程的原则和方法。在这种语言中，可以描述知识状态之间的转换，而不是完全描述的世界状态之间的转换，这使得语言非常适合在不完整的知识下进行规划。此外，它使默认原则在规划过程中的使用，支持否定失败。尽管如此，K还支持世界状态之间的转换的表示（即，完全知识的状态）作为特例，这表明语言是非常灵活的。正如我们在特定示例中所展示的，知识状态的使用可以允许自然和紧凑的问题表示。然后，我们提供了一个彻底的分析K的计算复杂性，并考虑不同的规划问题，包括标准规划和安全规划（也称为一致性规划）的问题。我们表明，这些问题有不同的复杂性下的各种限制，从NP到NEXPTIME的命题的情况下。我们的结果形成了DLV^K系统的理论基础，该系统在DLV逻辑编程系统之上实现了K语言。
2001-12-05 cs.AI cs.LO
Replanning in Domains with Partial Information and Sensing Actions
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
通过确定性重新规划是最近流行的MDP在线规划方法。在本文中，我们适应这个想法，经典的，非随机域的部分信息和传感行动，提出了一个新的规划：SDR（采样，确定，重新规划）。在每一步中，我们生成一个解决方案计划，以一个经典的规划问题，由原来的问题。只要安全，我们就执行这个计划。当情况不再如此时，我们重新计划。经典的规划问题，我们产生的是基于预防为基础的一致性规划的方法介绍了帕拉西奥斯和格夫纳。在这种方法中产生的经典规划问题的状态捕获的信念状态的代理在原始问题。不幸的是，当这种方法被应用到规划问题的传感器，它产生一个非确定性的规划问题，通常是非常大的。我们的主要贡献是引入状态采样技术，克服这两个问题。此外，我们引入了一种新的，懒惰的，基于回归的方法在运行时查询代理的信念状态。我们提供了一个全面的实验评估的规划，表明它的规模比现有的基准问题的最先进的CLG规划，但也突出了其弱点与新的领域。我们还讨论了它的理论保证。
2014-01-23 cs.AI
On the Complexity of Case-Based Planning
我们分析了计算复杂性的问题，基于案例的规划：规划时，一个类似的实例的计划是已知的，规划从一个图书馆的计划。我们证明，从一个单一的情况下规划具有相同的复杂性比生成规划（即，规划“从无到有”）;使用扩展的案例定义，如果存储在案例中的域与要搜索计划的域相似，则降低复杂性。从图书馆的情况下，规划显示具有相同的复杂性。在这两种情况下，规划的复杂性仍然是，在最坏的情况下，PSPACE完成。
2004-07-15 cs.AI cs.CC
Hybrid Conditional Planning using Answer Set Programming
Sabanci University（萨班哲大学）
我们介绍了一种并行离线算法计算混合条件计划，称为HCP-ASP，面向机器人应用。HCP-ASP依赖于建模的驱动动作和感应动作在一个富有表现力的非单调语言的答案集编程（ASP），和计算的分支的条件计划并行使用ASP求解器。特别是，由于外部原子，连续的可行性检查（如碰撞检查）被嵌入到ASP中的驱动动作和传感动作的正式表示中;因此，混合条件计划的每个分支描述了一个可行的动作执行，以达到其目标。利用非单调的结构和非确定性的选择，部分知识的状态和非确定性的影响感测行动可以明确形式化的ASP，因此，每个分支的条件计划可以计算的ASP求解器，而不需要一致的计划和排序的感测行动提前。我们应用我们的方法在服务机器人领域和报告的实验评估。此外，我们提出的性能比较与其他编译为基础的条件规划标准化的基准域。本文件正在考虑被TPLP接受。
2017-07-19 cs.AI cs.LO cs.RO
Behaviour Planning: A Toolkit for Diverse Planning
School of Computer Science, University of St Andrews, United Kingdom（计算机科学学院、圣安德鲁大学、英国）
本文提出行为规划工具包，通过n维网格特征建模多样性，支持经典、过度订阅及数值规划，实证优于现有方法。
2025-06-19 cs.AI
Planning by Rewriting
区域无关规划是一个组合问题。考虑到计划的质量，这项任务就更加困难。本文介绍了重写规划（PbR），这是一种高效、高质量的独立于领域的规划的新范式。PbR利用声明式计划重写规则和高效的本地搜索技术将易于生成但可能次优的初始计划转换为高质量计划。除了解决规划效率和规划质量的问题，该框架提供了一个新的随时规划算法。我们已经实现了这个计划，并将其应用到几个现有的领域。实验结果表明，PbR方法提供了显着的节省规划工作，同时产生高质量的计划。
2011-06-01 cs.AI
Planning for Novelty: Width-Based Algorithms for Common Problems in Control, Planning and Reinforcement Learning
University of Melbourne（墨尔本大学）
基于宽度的算法通过状态新颖性的一般定义来搜索解决方案。这些算法已被证明导致在经典规划的最先进的性能，并已成功地应用到基于模型和无模型的设置，其中的动态问题是通过仿真引擎。基于宽度的算法的性能在理论上是通过规划宽度的概念来理解的，为它们的运行时间和内存消耗提供多项式保证。为了促进跨研究社区的协同作用，本文总结了基于宽度的规划领域，并调查当前和未来的研究方向。
2021-06-09 cs.AI
Expectation-Aware Planning: A Unifying Framework for Synthesizing and Executing Self-Explaining Plans for Human-Aware Planning
Arizona State University（亚利桑那州立大学）；IBM Research AI（IBM人工智能研究院）
在这项工作中，我们提出了一种新的规划形式主义，称为预期感知规划决策与人类在循环中的人的期望代理可能会有所不同，从代理自己的模型。我们展示了这种配方如何允许代理不仅利用现有的策略来处理模型差异，而且还可以表现出通过这些不同策略的组合产生的新行为。我们的提法也揭示了一个深刻的连接到现有的方法在认知规划。具体来说，我们将展示如何利用经典的规划编制的认知规划，以解决预期意识规划问题。据我们所知，拟议的配方是第一个完整的解决方案，决策存在分歧的用户的期望，是服从一个经典的规划汇编，同时成功地结合以前的作品解释和可解释性。我们经验性地展示了我们的方法如何提供比现有近似方法更好的计算优势，这些方法不必要地尝试在模型空间中搜索，同时也无法促进我们框架所支持的全部行为。
2019-11-11 cs.AI
An Integrated Development Environment for Planning Domain Modeling
Sun Yat-sen University（中山大学）
为了使规划领域和规划问题的任务描述对非规划专家更加全面，近年来，规划领域建模采用了可视化表示方法。然而，目前的可视化建模知识工程工具，如itSIMPLE（Vaquero et al. 2012）和VIZ（Vodrážka and Chrpa 2010），比传统的PDDL专家使用文本编辑器手工编码的方法效率更低，并且很少根据计划验证对计划域进行微调。针对这一问题，本文在SIMPLE和VIZ的启发下，提出了一个规划领域可视化建模集成开发环境KAVI，该环境利用抽象领域知识库提高了规划领域可视化建模的效率。通过集成规划器和规划验证器，KAVI提出了一种基于规划验证的规划域微调方法。
2018-04-19 cs.AI
Compact Policies for Fully-Observable Non-Deterministic Planning as SAT
University of Massachusetts（马萨诸塞大学）；ICREA；Universitat Pompeu Fabra（庞培法布拉大学）
完全可观测的非确定性（FOND）规划正变得越来越重要，作为一种方法来计算适当的政策，在概率规划，LTL规划的扩展时间计划，广义规划的一般计划。在这项工作中，我们引入了一个SAT编码FOND规划，是紧凑的，可以产生紧凑的强循环的政策。编码的简单变化也被引入用于强规划和我们所谓的双重FOND规划，其中一些不确定的动作被假设为公平的（例如，概率性的）和其它不公平的（例如，对抗性的）。由此产生的FOND规划者与现有的规划者在现有的和新的基准经验进行比较。“概率有趣的问题”的概念也重新审视，以产生一个更全面的图片的优势和局限性，目前FOND规划和拟议的SAT方法。
2018-06-25 cs.AI
FLECS: Planning with a Flexible Commitment Strategy
有证据表明，最少承诺的规划者可以有效地处理涉及困难的目标相互作用的规划问题。这一证据使人们普遍认为，延迟承诺是“最好的”可能的规划战略。然而，我们最近发现的证据表明，急于承诺的规划者可以更有效地处理各种规划问题，特别是那些难以经营者的选择。我们放弃了寻找一个普遍成功的规划策略的徒劳，设计了一个规划器，可以用来研究哪些领域和问题最适合哪种规划策略。在这篇文章中，我们介绍了这种新的规划算法，FLECS，它使用了灵活的承诺策略方面的计划步骤订购。它能够使用从延迟承诺到渴望承诺的任何策略。延迟和渴望运营商订购承诺的组合允许FLECS利用明确使用模拟执行状态和推理规划约束的好处。FLECS可以在不同的问题和领域中改变其承诺策略，也可以在单个规划问题的过程中改变其承诺策略。FLECS代表了对计划的一个新贡献，因为它明确地提供了在计划时使用哪种承诺策略的选择。FLECS提供了一个框架来研究从规划域和问题到有效规划策略的映射。
1995-06-01 cs.AI
Answer Set Planning Under Action Costs
TU Wien（维也纳工业大学）；University of Calabria（卡拉布里亚大学）
最近，规划的基础上回答集编程已被提出作为一种实现声明式规划系统的方法。在本文中，我们提出了语言Kc，它扩展了声明式规划语言K的行动成本。Kc提供了容许和最优计划的概念，这些计划的总行动成本在给定的限制内。所有计划中的最小值（即，最便宜的计划）。正如我们所展示的，这种新颖的语言允许以声明的方式表达一些重要的规划任务。此外，它可以用于表示规划问题下的其他最优性标准，如计算“最短”的计划（步骤数最少），和细化组合的最便宜和最快的计划。我们研究的语言KC的复杂性方面，并提供了一个转换到逻辑程序，这样的规划问题，通过答案集编程解决。此外，我们报告选定的问题的实验结果。我们的经验是令人鼓舞的，答案集规划可能是一个有价值的方法，表达规划系统中，复杂的规划问题可以自然地指定和解决。
2011-06-26 cs.AI
Robust Hierarchical Planning with Policy Delegation
The University of Sydney（悉尼大学）
提出了一种基于委托原理的层次规划框架和算法。这个框架，马尔可夫意图过程，具有一系列技能，每个技能都专门用于执行单个任务。技能意识到他们的预期效果，并能够分析规划目标，将规划委托给最适合的技能。这一原则动态地创建了一个计划的层次结构，其中每个技能都为它所专门化的子目标进行计划。所提出的规划方法的特点按需执行-技能政策只在需要时进行评估。计划仅在最高级别生成，然后在最新状态信息可用时扩展和优化。高级计划保留了最初的计划意图和先前计算的技能，有效地减少了适应环境变化所需的计算。我们表明，这种规划方法是实验非常有竞争力的经典规划和强化学习技术在各种领域，无论是在解决方案的长度和规划时间。
2020-10-25 cs.AI
The Complexity of Planning Problems With Simple Causal Graphs
Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
我们提出了三个新的复杂性结果的规划问题的简单因果图类。首先，我们描述了一个多项式时间的算法，使用宏生成计划的规划问题与二进制状态变量和非循环因果图的类3S。这意味着，即使规划问题有一个指数长的最小解，规划生成可能是易处理的。我们还证明了多值变量和链式因果图规划问题的计划存在性问题是NP-困难的。最后，我们证明了二元状态变量和多树因果图规划问题的计划存在性是NP-完全的。
2011-10-31 cs.AI
Automatic Verification of Sound Abstractions for Generalized Planning
Sun Yat-sen University（中山大学）
广义规划研究一组规划问题的一般解的计算。求解广义规划的通解并保证其正确性一直是广义规划中的一个关键问题。抽象被广泛用于解决广义规划问题。合理抽象的解是那些对广义规划问题有正确性保证的解。最近，Cui等人提出了广义规划的统一抽象框架。他们给出了广义规划问题的健全和完整抽象的模型论定义。本文基于Cui et al.的工作，我们探讨了自动验证的声音抽象的广义规划。我们首先提出了声音抽象的证明论特征。在此基础上，给出了一阶可验证的可靠抽象的充分条件。为了实现它，我们利用回归扩展，并开发方法来处理计数和传递闭包。最后，我们实现了一个健全的抽象验证系统，并报告了几个领域的实验结果。
2022-05-24 cs.AI
Introduction to AI Planning
University of Stuttgart（斯图加特大学）
本讲义介绍AI规划的核心概念与技术，涵盖状态模型、经典规划、约束满足方法、HTN规划及PDDL语言，旨在为读者提供该领域的系统入门。
2024-12-16 cs.AI
Probabilistic contingent planning based on HTN for high-quality plans
针对部分可观测环境下规划质量差异问题，提出基于HTN的概率权变规划器HQCP，通过成本形式化、新型启发式与集成算法生成高质量规划，并经实验验证有效高效。
2023-09-28 cs.AI
Task Planning in Robotics: an Empirical Comparison of PDDL-based and ASP-based Systems
The University of Texas at Austin（得克萨斯大学奥斯汀分校）；Cogitai, Inc.（科吉泰公司）；SUNY Binghamton（纽约州立大学宾汉姆顿分校）
机器人需要任务规划算法来排序动作，以实现通过单个动作不可能实现的目标。现成的任务规划器可以被智能机器人从业者用来解决各种规划问题。然而，存在许多不同的规划器，每一个都有不同的优点和缺点，并且没有一般的规则，哪一个规划器最适合应用于给定的问题。在这篇文章中，我们经验比较国家的最先进的规划师，使用规划领域描述语言（PDDL），或回答集编程（ASP）作为底层的行动语言的性能。PDDL是为任务规划而设计的，基于PDDL的规划器被广泛用于各种规划问题。ASP是为知识密集型推理而设计的，但也可用于解决任务规划问题。鉴于域编码是尽可能相似的，我们发现，PDDL为基础的规划者执行更好的问题，更长的解决方案，和ASP为基础的规划者更好的任务有大量的对象或复杂的推理需要的原因行动的先决条件和影响。由此产生的分析可以通知特定的机器人任务规划域的通用规划系统之间的选择。
2019-02-25 cs.AI
Landmark-Based Approaches for Goal Recognition as Planning
Pontifical Catholic University of Rio Grande do Sul（南里奥格兰德天主教大学）；University of Aberdeen（阿伯丁大学）
通过使用自动规划技术，可以有效地完成从缺失和完整的观察中识别目标和计划的任务。在许多应用中，不仅要准确而且要快速地识别目标和计划。为了应对这一挑战，我们开发了新的目标识别方法的基础上规划技术，依赖于规划地标。在自动规划中，地标是实现目标时无法避免的属性（或动作）。我们展示了一些规划技术的适用性，重点是目标和计划识别任务的地标在两种设置：（1）我们使用地标的概念来开发目标识别算法;（2）我们开发了一种基于地标的过滤方法来改进现有的基于规划的目标和计划识别方法。这些识别方法在几个经典的规划领域的实验经验评估。我们表明，我们的目标识别方法不仅可以获得与其他最先进的技术相当的准确性（通常高于其他最先进的技术），而且比这些技术的识别时间更快。
2019-05-23 cs.AI
An Approach to Temporal Planning and Scheduling in Domains with Predictable Exogenous Events
在许多现实世界的领域，某些计划行动的前提条件受到这些事件的影响，在规划中的外生事件的处理是非常重要的。在本文中，我们专注于规划的时间域与外源事件发生在已知的时间，施加的约束，在计划中的某些行动必须在一些预定义的时间窗口执行。当动作有持续时间时，处理这种时间约束会给计划增加额外的难度。我们提出了一种方法来规划在这些领域，它集成了基于约束的时间推理到一个基于图形的规划框架，使用本地搜索。我们的技术实现在一个规划师参加了第四届国际规划竞赛（IPC-4）。IPC-4结果的统计分析表明，我们的方法在CPU时间和计划质量方面的有效性。额外的实验表明，时间推理技术集成到我们的计划器的良好性能。
2011-10-12 cs.AI
Hierarchical Finite State Controllers for Generalized Planning
Universitat Pompeu Fabra（庞培法布拉大学）
有限状态控制器（FSC）是一种有效的表示顺序计划的方法.通过对过渡施加适当的条件，FSC还可以表示解决给定域中一系列规划问题的广义规划。在本文中，我们引入了{ \it分层FSC}的概念，通过允许控制器调用其他控制器来进行规划。我们表明，层次FSC可以表示广义计划比个人FSC更companimously。此外，我们的调用机制使得它可以生成层次FSC在一个模块化的方式，甚至应用递归。我们还介绍了一个编译，使一个经典的规划生成层次FSC，解决具有挑战性的广义规划问题。编译需要作为输入的一组规划问题，从一个给定的域和输出一个单一的经典规划问题，其解决方案对应于一个分层的FSC。
2019-11-07 cs.AI
Towards High-Level Modelling in Automated Planning
University of St Andrews（圣安德鲁斯大学）；Universitat de Girona（赫罗纳大学）
针对自动化规划领域主流建模语言PDDL表达能力有限的问题，研究扩展了Python库Unified-Planning，新增数组类型、布尔计数表达式、动作整数参数等特性，提升了高层问题建模能力，可自然建模三个经典规划问题。
2024-12-09 cs.AI
Heuristics for Planning, Plan Recognition and Parsing
Universitat Pompeu Fabra（庞培法布拉大学）；ICREA（加泰罗尼亚研究与高级研究院）
在最近的一篇论文中，我们已经表明，计划识别的CNOPS可以制定和解决使用经典的规划原理和算法。在这项工作中，我们表明，这一提法纳入了标准的制定计划识别图书馆通过编译库到CNOPS理论。库对应于可以是循环的并且其中AND节点的子节点可以是部分排序的AND/OR图。这些库包括作为特殊情况的上下文无关文法，其中计划识别问题变成了缺少标记的解析问题。在标准库上的规划识别成为任何现代规划者都可以轻松解决的规划问题，而在更复杂的库上的识别，包括上下文无关文法（CFG），说明了当前规划算法的局限性，并提出了可能与其他规划问题相关的改进建议。
2016-05-22 cs.AI
Symbolic Search for Optimal Planning with Expressive Extensions
Albert-Ludwigs-Universität Freiburg im Breisgau（弗莱堡阿尔伯特-路德维希大学）；University of Freiburg（弗莱堡大学）；Aalborg University（奥尔堡大学）
在经典规划中，目标是导出一个行动过程，允许智能代理从它发现自己处于的任何情况移动到满足其目标的情况。经典规划被认为是独立于域的，即，它不限于特定的应用，并且可以用于解决不同类型的推理问题。然而，在实践中，手头的规划问题的一些属性需要标准的经典规划形式主义的表达扩展来捕获和建模它们。虽然许多这些扩展的重要性是众所周知的，大多数规划，特别是最优规划，不支持这些扩展的规划形式主义。缺乏支持不仅限制了这些规划器对某些问题的使用，而且即使可以在没有这些扩展的情况下对问题进行建模，也常常导致建模工作量增加，或者由于所需的问题编码大小呈指数级增加而使建模几乎不可能。在这篇论文中，我们提出使用符号搜索成本最优规划的经典规划的不同表达扩展，所有捕获问题的不同方面。特别是，我们研究规划与公理，规划与状态相关的行动成本，超额认购规划，和top-k规划。对于所有的形式主义，我们提出的复杂性和可编译性的结果，强调它是可取的，甚至有必要原生支持相应的功能。我们分析了符号启发式搜索，并表明搜索性能并不总是受益于使用的启发式和搜索性能可以指数恶化，即使在最好的情况下，即完美的启发式。这加强了符号盲搜索是当今占主导地位的符号搜索策略，与其他国家的最先进的成本最优规划策略。
2022-04-01 cs.AI
Scaling up Heuristic Planning with Relational Decision Trees
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
目前的启发式规划的评价函数是昂贵的计算。在许多规划问题中，这些函数为解决方案提供了很好的指导，因此它们是值得的。然而，当评价函数具有误导性或规划问题足够大时，必须计算大量的节点评价，这严重限制了启发式规划器的可扩展性。在本文中，我们提出了一种新的解决方案，以减少节点评估启发式规划的基础上机器学习。特别是，我们定义的任务，学习搜索控制的启发式规划作为一个关系分类任务，我们使用现成的关系分类工具来解决这个学习任务。我们的关系分类任务捕获在特定规划域的不同规划上下文中选择的首选操作。这些计划上下文由当前状态的有用操作集、有待实现的目标以及计划任务的静态谓词定义。本文展示了两种方法来指导搜索的启发式规划与学习分类。第一种方法是使用产生的分类器作为动作策略。第二个包括应用分类器在最佳优先搜索算法内生成前瞻状态。在各种领域的实验表明，我们的启发式规划使用学习分类解决更大的问题比国家的最先进的规划。
2014-01-16 cs.AI
FMAP: Distributed Cooperative Multi-Agent Planning
提出了一种集规划与协调于一体的全分布式多智能体规划方法FMAP（Forward Multi-Agent Planning）。虽然FMAP是专门针对解决问题，需要代理之间的合作，域独立的规划模型的灵活性，允许FMAP来处理任何类型的多代理规划任务。在FMAP中，智能体通过一个完整的、灵活的前向链偏序规划器建立精化计划来共同探索计划空间。搜索引导$h_{DTG}$，一种新的启发式功能，是基于域转移图和前沿状态的概念，并优化，以评估计划在分布式环境中。FMAP中的代理应用高级隐私模型，该模型允许他们充分保留私人信息，同时仅传达与每个参与代理相关的细化计划的数据。实验结果表明，FMAP是一种通用的方法，有效地解决了紧耦合的领域，有专门的代理和合作的目标，以及松耦合的问题。具体而言，实证评估表明，FMAP优于目前的MAP系统在解决复杂的规划任务，是适应国际规划竞赛基准。
2015-01-28 cs.AI
Novelty Heuristics, Multi-Queue Search, and Portfolios for Numeric Planning
Australian National University（澳大利亚国立大学）
该研究面向数值规划，提出结合数值新颖性启发式、曼哈顿距离启发式、多队列搜索与启发式组合的方法，以在不依赖提升启发式信息量的情况下增强搜索性能。
2024-04-11 cs.AI
Combined Task and Motion Planning as Classical AI Planning
ICREA（加泰罗尼亚高级研究学院）；Universitat Pompeu Fabra（庞培法布拉大学）
机器人规划通常分为任务规划和运动规划。高级的符号任务规划器决定需要做什么，而运动规划器检查可行性并填充几何细节。然而，已知的是，这样的分解通常不是有效的，因为符号和几何分量不是独立的。在这项工作中，我们表明，有可能将任务和运动规划问题编译成经典的AI规划问题;即，规划问题的有限和离散状态空间与已知的初始状态，确定性的行动，和目标状态达到。编译是合理的，这意味着经典计划是有效的机器人计划，并且概率上是完整的，这意味着当采样足够数量的配置时，有效的机器人计划是经典计划。在这种方法中，运动规划器和碰撞检查器用于编译，但不是在规划时。使该方法有效的关键要素是：1）表达经典的AI规划语言，用于以紧凑的形式表示编译的问题，与PDDL不同，它使用函数和状态约束，以及2）通用的基于宽度的搜索算法，能够仅使用弱算法在巨大的组合空间中找到计划。经验结果PR 2机器人操纵数十个对象，需要长期计划。
2017-06-21 cs.AI cs.RO
Institutional Foundations of Adaptive Planning: Exploration of Flood Planning in the Lower Rio Grande Valley, Texas, USA
Texas A&M University at Galveston（德克萨斯农工大学加尔维斯顿分校）；Texas Tech University（德克萨斯理工大学）
适应性规划非常适合应对气候变化带来的深刻不确定性。虽然在适应性规划的理论和方法方面有着强大的学术研究，但这在很大程度上忽视了适应性规划如何受到现有规划机构的影响，以及如何在传统规划组织的约束下向前发展。本研究问：现有的传统规划机构如何支持适应性规划？我们探讨这一点的洪水规划在下里奥格兰德河流域的得克萨斯州，美国。我们利用县灾害计划和区域洪水计划文件，以及区域洪水规划会议的成绩单，探讨这些机构的产出的紧急主题。使用自然语言处理来分析这大量的文本，我们发现危险计划和制定这些计划的讨论在很大程度上缺乏自适应的方法。
2022-09-30 cs.AI cs.CL cs.IR
Thinking Forward and Backward: Effective Backward Planning with Large Language Models
Princeton University（普林斯顿大学）；Google DeepMind（谷歌DeepMind）
针对LLM规划中的方向不对称性，提出先翻转问题再前向规划的后向规划算法，结合双向规划与自我验证，在三个领域将成功率提升4-24%。
2024-11-04 cs.AI cs.LG
Task and Skill Planning: Hierarchical Robot Planning with Black-Box Skills
本文提出了一种基于通用技能的分层机器人规划框架，通过可组合交互原语整合运动规划与闭合回路控制器，实现在复杂长期任务中的高效执行。
2026-07-30 cs.AI cs.RO
PlanBench: An Extensible Benchmark for Evaluating Large Language Models on Planning and Reasoning about Change
Arizona State University（亚利桑那州立大学）；Colorado State University（科罗拉多州立大学）
提出可扩展基准PlanBench，基于自动化规划领域测试LLMs在规划与变化推理上的能力，发现即使SOTA模型在计划生成等关键能力上表现仍不足，可作为衡量进展的标志。
2023-11-26 cs.AI cs.CL
Flow Motion Policy: Manipulator Motion Planning with Flow Matching Models
Zachry Department of Civil and Environmental Engineering, Texas A&M University（德克萨斯A&M大学Zachry土木与环境工程系）
本文提出流运动策略，一种基于流匹配模型的机械臂运动规划方法，通过生成路径分布实现高效推理优化。
2026-08-18 cs.AI cs.RO
Planning with Learned Object Importance in Large Problem Instances using Graph Neural Networks
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）
现实世界中的规划问题往往涉及数百甚至数千个对象，这使现代规划者的极限变得紧张。在这项工作中，我们通过学习预测一小部分对象来应对这一挑战，这些对象放在一起就足以找到一个计划。我们提出了一个图神经网络架构预测对象的重要性，在一个单一的推理通过，从而产生很少的开销，同时大大减少了规划者必须考虑的对象的数量。我们的方法将规划器和过渡模型视为黑盒，并且可以与任何现成的规划器一起使用。从经验上讲，在经典规划，概率规划，机器人任务和运动规划，我们发现，我们的方法的结果规划，是显着快于几个基线，包括其他部分接地策略和解除规划。我们的结论是，学习预测一个规划问题的足够的一组对象是一个简单的，强大的，和一般的机制，在大的情况下规划。视频：https://youtu.be/FWsVJc2fvCE代码：https://git.io/JIsqX
2020-12-08 cs.AI cs.LG
Latent Planning Emerges with Scale
ILLC, University of Amsterdam（伊拉斯姆斯自由大学，阿姆斯特丹大学）；Anthropic
本文研究了LLM在简单规划任务中潜在规划能力随规模增加而增强的现象，发现模型能通过内部表示生成未来词并影响上下文，但复杂任务如押韵对句中规划能力有限。
2026-04-14 cs.AI cs.CL
Cloth Manipulation Planning on Basis of Mesh Representations with Incomplete Domain Knowledge and Voxel-to-Mesh Estimation
Shinshu University（信州大学）
我们考虑机器人布料操作的开放目标规划问题。我们的系统的核心是一个神经网络训练作为一个前向模型的布料行为下操纵，规划通过反向传播执行。我们引入了一个基于神经网络的例程，用于从体素输入估计网格表示，并在内部以网格格式执行规划。我们解决的问题，规划与不完整的领域知识，通过一个明确的认知不确定性信号。该信号是根据前向模型网络的两个实例之间的预测偏差计算的，并用于避免规划期间的认知不确定性。最后，我们介绍了逻辑处理限制的把握点的一组离散的候选人，以适应机器人硬件施加的可抓取性约束。我们评估系统的网格估计，预测和规划能力模拟布序列的一到三个操作。比较实验证实，估计网格的基础上的规划，提高精度相比，基于体素的规划，和认知不确定性的避免提高性能的条件下，不完整的领域知识。规划的时间成本是几秒钟。我们还提出了机器人硬件的定性结果。
2021-11-12 cs.AI cs.RO
Teaching LLMs to Plan: Logical Chain-of-Thought Instruction Tuning for Symbolic Planning
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Microsoft AI（微软人工智能）
提出PDDL-Instruct指令微调框架，通过逻辑思维链推理教导LLM严谨推理动作适用性与状态转换，在标准基准上实现94%规划准确率，较基线绝对提升66%。
2025-09-14 cs.AI cs.CL
Strategic Positioning in Tactical Scenario Planning
Defence, Science and Technology Organisation（国防科学技术组织）；University of New Edinburgh（新爱丁堡大学）
能力规划问题在人类感兴趣的许多领域都很普遍，在国防和安全领域都有突出的例子。规划为优化提供了一个独特的背景，尚未详细探讨，涉及许多有趣的挑战，这些挑战与传统的优化研究不同。规划问题的解决方案，可以满足多个规模的鲁棒性，适应性，风险等相关的竞争目标的场景方法是一个关键的规划方法。可以为长期和短期计划定义情景。本文介绍了基于计算的规划问题，并提出了在战术规划域中适应战略定位的方法。我们展示了一个资源规划问题，解决了多目标进化算法的方法。我们的讨论和结果突出了这样一个事实，即基于网络的规划自然是在一个多目标的设置框架。然而，相互冲突的目标发生在不同的系统层面，而不是在一个单一的系统。本文还认为，规划问题是至关重要的利益，在许多人类的努力和演化计算可能会很好地定位为这个问题域。
2009-07-02 cs.AI cs.NE
Learn and Link: Learning Critical Regions for Efficient Planning
School of Computing, Informatics, and Decision Systems Engineering（计算、信息与决策系统工程学院）；Arizona State University（亚利桑那州立大学）；Tempe, Arizona 85281（（地址，不应提取））
本文提出了一种新的方法来学习运动规划（MP）的环境中的关键区域是从一组给定的运动计划，并用于提高性能的新的环境和问题的情况。我们引入了一套新的基于采样的运动规划器，学习和链接。我们的规划人员利用关键区域来克服均匀采样的局限性，同时仍然保持基于采样的算法固有的正确性保证。我们还表明，卷积神经网络（CNN）可用于识别运动规划问题的关键区域。我们评估学习和链接对规划师从开放式运动规划库（OMPL）使用一套广泛的实验具有挑战性的运动规划问题。我们表明，我们的方法需要更少的规划时间比现有的抽样为基础的规划师。
2020-03-07 cs.AI cs.RO
Towards Human-Centric Intelligent Treatment Planning for Radiation Therapy
Department of Radiation Oncology（放射肿瘤学系）；Molecular Radiation Sciences（分子放射科学）；Johns Hopkins University（约翰霍普金斯大学）；Baltimore, MD, USA（巴尔的摩，马里兰州，美国）
针对放射治疗计划质量欠佳、效率低和成本高的问题，提出以人为中心的智能治疗计划（HCITP）框架，在人类监督下整合临床指南并自动化计划生成，有望将计划时间缩短至分钟级并交付个性化高质量计划。
2025-10-15 cs.AI physics.med-ph
Have I done enough planning or should I plan more?
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
人们关于如何分配有限的计算资源的决定对人类智能至关重要。这种元认知能力的一个重要组成部分是决定是否继续思考该做什么，并继续进行下一个决定。在这里，我们展示了人们通过学习和反向工程的基础学习机制获得这种能力。使用一个过程跟踪范式，具体化人类规划，我们发现，人们很快适应他们执行多少规划的成本和效益的规划。为了发现底层的元认知学习机制，我们增加了一组具有元认知特征的强化学习模型，并进行贝叶斯模型选择。我们的研究结果表明，元认知能力，以调整规划量可能会通过一个政策梯度机制，这是指导沟通规划的价值元认知伪奖励。
2022-01-03 cs.AI cs.LG
Towards Ontology-Mediated Planning with OWL DL Ontologies (Extended Version)
University of Oslo（奥斯陆大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
本文提出通过接口分离规划规约与 OWL DL 本体，并将本体介导规划问题数据依赖地重写为经典规划问题，以复用现有规划工具。
2023-08-16 cs.AI cs.LO
Backward-Forward Search for Manipulation Planning
在本文中，我们解决规划问题，在高维混合配置空间，特别关注的操纵规划问题，涉及许多对象。我们提出的混合向后-向前（HBF）规划算法，该算法使用向后识别的约束，直接采样的无限动作空间从初始状态到目标配置的前向搜索。由此产生的计划是概率完整的，可以有效地构建长期的操作计划，需要在混乱的环境中的musicile和nonmusicile行动。
2016-04-12 cs.AI cs.RO
Learning Neuro-Symbolic Relational Transition Models for Bilevel Planning
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）
在机器人领域，学习和规划由于连续的状态空间、连续的动作空间和长的任务范围而变得复杂。在这项工作中，我们用神经符号关系转换模型（NSRT）来解决这些挑战，NSRT是一类新型的模型，它具有数据学习效率，与强大的机器人规划方法兼容，并可在对象上推广。NSRT具有符号和神经组件，实现了双层规划方案，其中外循环中的符号AI规划指导内环中的神经模型的连续规划。在四个机器人规划领域的实验表明，NSRT可以在数十或数百次训练后学习，然后用于快速规划新任务，这些任务需要多达60个动作，涉及的对象比训练期间看到的要多得多。视频：https://tinyurl.com/chitnis-nsrts
2022-06-30 cs.AI cs.LG cs.RO
Representation, learning, and planning algorithms for geometric task and motion planning
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Optimus Ride
我们提出了一个学习指导几何任务和运动规划（GTAMP）的框架。GTAMP是任务和运动规划的一个子类，其目标是将多个对象移动到可移动障碍物中的目标区域。标准的图搜索算法不能直接应用，因为GTAMP问题涉及混合搜索空间和昂贵的动作可行性检查。为了解决这个问题，我们引入了一种新的规划器，扩展基本的启发式搜索与随机抽样和启发式功能，优先可行性检查有前途的状态动作对。这种纯粹的规划者的主要缺点是他们缺乏从规划经验中学习以提高效率的能力。我们提出了两个学习算法来解决这个问题。第一种是用于学习引导离散任务级搜索的秩函数的算法，第二种是用于学习引导连续motionlevel搜索的采样器的算法。我们提出了设计数据高效算法的设计原则，用于从规划经验和表示中学习有效的泛化。我们评估我们的框架在具有挑战性的GTAMP问题，并表明我们可以提高规划和数据效率
2022-03-09 cs.AI cs.LG cs.RO
