Open-Vocabulary Spatio-Temporal Scene Graph for Robot Perception and Teleoperation Planning
HI-Robot Lab, School of Automation Science and Engineering, South China University of Technology（华南理工大学自动化科学与工程学院）；Institute of AI Industries, Chinese Academy of Science（中国科学院人工智能产业研究所）；School of Computer Science, Central China Normal University（中央财经大学计算机科学学院）；School of Computer Science and Informatics, University of Liverpool（利物浦大学计算机科学与信息学院）
提出时空开放词汇场景图（ST-OVSG），结合时间动态与延迟标注，解决遥操作中传输延迟导致的命令误解，提升规划鲁棒性，在Replica基准上节点准确率达74%，延迟鲁棒实验中规划成功率达70.5%。
2025-10-27 cs.AI cs.RO
Constraint Programming Algorithms for Route Planning Exploiting Geometrical Information
Department of Engineering University of Ferrara（费拉拉大学工程系）
影响人员或货物运输的问题在工商业中比比皆是，而且似乎也是更为复杂的问题的根源。近年来，物流和运输部门在技术进步的支持下不断增长，即公司为了提高竞争力，正在采用旨在提高效率和效益的创新技术。这就是为什么企业越来越多地使用人工智能（AI）、区块链和物联网（IoT）等技术。特别地，人工智能通常用于解决优化问题，以便为用户提供利用可用资源的最有效方式。在这项工作中，我们提出了一个概述，我们目前的研究活动有关的新算法的发展，CLP技术的基础上，利用几何信息本质上存在于其中的许多或在他们的一些变种的路线规划问题。到目前为止，研究主要集中在欧几里德旅行商问题（欧几里德TSP），目的是利用所获得的结果，也对同类的其他问题，如欧几里德车辆路径问题（欧几里德VRP），在未来。
2020-09-22 cs.AI
Expressing and Exploiting the Common Subgoal Structure of Classical Planning Domains Using Sketches: Extended Version
Linköping University（林雪平大学）；Universitat Pompeu Fabra（庞培法布拉大学）；Institució Catalana de Recerca i Estudis Avançats (ICREA)（加泰罗尼亚研究与高等研究院（ICREA））
基于宽度的规划方法通过将问题分解为低宽度的子问题来处理合取目标。因此，当目标不容易以这种方式序列化时，或者当某些子问题具有很高的宽度时，像SIW这样的算法就会失败。在这项工作中，我们使用一个简单但功能强大的语言来表达更精细的问题分解最近介绍的博内和格夫纳，称为政策草图，解决这些限制。一组布尔和数值特征上的策略草图是一组草图规则，它们表示这些特征的值应该如何更改。与一般策略一样，策略草图也是域通用的，但与策略不同的是，草图规则捕获的更改不需要在单步的中实现。我们发现，许多规划领域，不能解决SIW证明可解决的低多项式时间与SIW_R算法，版本的SIW，采用用户提供的政策草图。因此，政策草图被证明是一个强大的语言表达领域特定的知识，在一个简单而紧凑的方式和方便的替代语言，如HTN或时态逻辑。此外，它们可以很容易地表达一般的问题分解，并证明它们的关键属性，如它们的宽度和复杂性。
2021-07-08 cs.AI
Approximate Inference-based Motion Planning by Learning and Exploiting Low-Dimensional Latent Variable Models
KAIST（韩国科学技术院）
这项工作提出了一种有效的框架来生成具有高自由度的机器人的运动计划（例如，人形机器人）。机器人配置空间的高维性通常导致难以利用广泛使用的运动规划算法，因为决策空间的体积随着维数呈指数级增加。为了处理复杂的决策空间，并有效地解决相应的运动规划问题，在这项工作中，采用了两个关键的概念：第一，高斯过程隐变量模型（GP-LVM）用于低维表示的原始配置空间。其次，使用近似推理算法，利用控制和估计之间的对偶性，探索决策空间，并计算出高质量的运动轨迹的机器人。利用GP-LVM和控制与估计之间的对偶性，我们构造了一个完全概率生成模型，将高维运动规划问题转化为一个易于处理的推理问题。最后，我们计算的运动轨迹通过近似推理算法的基础上的一个变种的粒子滤波。由此产生的运动可以在补充视频中查看。（https://youtu.be/kngEaOR4Esc）的网站上进行了介绍。
2018-08-01 cs.AI cs.RO
Individual Planning in Agent Populations: Exploiting Anonymity and Frame-Action Hypergraphs
University of Georgia（佐治亚大学）
交互式部分可观察马尔可夫决策过程（I-POMDP）提供了一个正式的框架规划的多智能体设置中的一个自我利益的代理。在多智能体环境中运行的智能体必须考虑其他智能体可能采取的行动以及这些行动对环境的影响和它所获得的奖励。传统的I-POMDP模型依赖于其他代理的行动，使用联合行动和模型空间。因此，解决方案的复杂性随着代理的数量呈指数级增长，从而使可扩展性变得复杂。在本文中，我们的模型和扩展的匿名性和上下文特定的独立性-问题结构往往存在于代理人口-计算增益。我们实证证明了利用这些问题结构的效率，通过解决一个新的多智能体问题，涉及1,000多个代理。
2015-04-02 cs.AI cs.GT cs.MA
Exploiting Search in Symbolic Numeric Planning with Patterns
DIBRIS, University of Genoa（热那亚大学DIBRIS）
提出基于符号模式规划(SPP)的数值规划过程，通过动态重计算模式并利用中间状态引导搜索，提高规划效率。
2026-06-16 cs.AI
Understanding and Exploiting Initialization Anchoring Weakness in Feedback-Based Agent Planning
Shandong University（山东大学）
本研究揭示基于反馈的智能体规划存在初始化锚定弱点，提出黑盒攻击框架InitAnchor，利用方向偏移、上下文合理性和反证韧性信号，在112个任务中实现高达76.1%的攻击成功率，表明早期偏差难以被后续纠正消除。
2026-09-25 cs.AI cs.CR
IdleSpec: Exploiting Idle Time via Speculative Planning for LLM Agents
KAIST（韩国科学技术院）；Amazon AGI（亚马逊人工智慧实验室）；Together AI
本文提出IdleSpec，一种利用空闲时间提升LLM代理性能的方法，通过在空闲期间生成计划候选并减少延迟开销，从而在多种代理场景中显著提高性能。
2026-05-21 cs.AI
SAP Speaks PDDL: Exploiting a Software-Engineering Model for Planning in Business Process Management
Saarland University（萨尔大学）；NICTA（澳大利亚国家信息通信技术卓越中心）
规划是关于自动化的解决方案的行动顺序问题描述的声明性语言，给出了行动的先决条件和效果。这种技术的一个重要应用领域是在业务流程管理（BPM）中创建新流程，这在日益动态的业务环境中至关重要。规划在这一领域应用的一个主要障碍在于建模。获得一个合适的模型来进行规划--理想情况下是PDDL（最常用的规划语言）中的描述--通常非常复杂和/或昂贵。我们在这项工作中的核心观察是，这个问题可以通过利用基于模型的软件开发的协同作用来改善。我们在SAP（企业软件的领先供应商之一）的应用表明，即使是一对一的模型重用也是可能的。这个模型被称为状态和操作管理（SAM）。它描述了业务对象（BO）的行为，即，大规模数据结构，在对应于业务专家语言的抽象级别上。SAM涵盖了400多种BO，每种BO都是根据一组状态变量以及它们的值如何被处理步骤（操作）所需要和影响来描述的，这些处理步骤（操作）从业务角度来看是原子的。SAM由SAP开发，是基于模型的软件工程工作的一部分。我们在这里表明，可以使用相同的模型进行规划，从而获得一个BPM规划应用程序，不会产生任何建模开销。我们将SAM编译成PDDL的变体，并采用现成的规划器来解决此类问题。由于所产生的技术，业务专家可以创建新的流程，只需指定状态变量值变化方面的期望行为：有效地，通过描述自己的语言的过程。
2014-01-23 cs.AI cs.SE
Modelling Multi-Agent Epistemic Planning in ASP
University of Udine（乌迪内大学）；New Mexico State University（新墨西哥州立大学）
设计能够对世界进行推理和行动的智能体一直是人工智能社区的主要目标之一。虽然对于在“简单”域中的规划，智能体可以仅依赖于关于世界的事实，但在几个上下文中，例如，在经济、安全、司法和政治方面，仅仅对世界的了解可能不足以实现预期目标。在这些情况下，认知推理，即，推理代理人对自己的信念和其他代理人的信念，是设计获胜策略的关键。本文利用声明性编程技术解决了多智能体认知环境中的推理问题。特别是，本文提出了一个实际的实现多杆答案集编程为基础的规划，可以在多智能体认知设置，称为PLATO（ePistemic多智能体答案集编程sOlver）的原因。ASP范例使规划器的设计简洁而优雅，w.r.t.其他必要的实现，促进正确性的形式化验证的开发。本文展示了如何规划者，利用一个特设的认知状态表示和效率的ASP求解器，有竞争力的性能结果从文献中收集的基准。目前正在考虑让TPLP接受。
2020-08-07 cs.AI
Vietnamese multi-document summary using subgraph selection approach -- VLSP 2022 AbMuSu Shared Task
VNU University of Engineering and Technology (VNU-UET)（越南国立大学工程技术大学）；Viettel Group（越南军队电信集团）
本文将抽取式多文档摘要问题转化为子图选择，通过图结构同时捕捉句间关系，并在越南语数据集上取得前10名的表现。
2023-06-26 cs.AI cs.CL
On Exploiting Hitting Sets for Model Reconciliation
Washington University in St. Louis（圣路易斯华盛顿大学）；Ericsson Research（爱立信研究院）
本文提出基于逻辑的模型调和框架，利用两个知识库间 MCS 与 MUS 的击中集对偶关系寻找基数最小解释，并在规划及 SAT 竞赛实例上验证其优势。
2023-09-27 cs.AI cs.LO
Proximity-Based Non-uniform Abstractions for Approximate Planning
Monash University（莫纳什大学）
在一个确定性的世界里，一个规划主体可以确定其规划的行动序列的后果。然而，在通常使用马尔可夫决策过程的动态随机域中，情况并非如此。不幸的是，这些都受到维数灾难的影响：如果状态空间是许多小集合（维度）的笛卡尔乘积，那么规划在这些维度的数量上是指数级的。我们的新技术利用了选择性地忽略状态空间不同部分中的各种维度的直观策略。由此产生的非均匀性有很强的影响，因为近似不再是马尔可夫，需要使用修改后的计划。我们还使用了一个空间和时间的接近度的措施，它响应于持续的规划，以及通过状态空间的代理的运动，动态地适应规划进展的抽象。我们提出了定性和定量的结果，在一系列的实验领域表明，代理利用这种新的近似方法成功地找到解决方案的规划问题，使用远少于完整的状态空间。我们评估和分析我们的方法可以利用的域的功能。
2014-01-18 cs.AI
Constraining Influence Diagram Structure by Generative Planning: An Application to the Optimization of Oil Spill Response
SRI International（SRI国际）
本文通过优化现实世界的规划问题，与生成规划工具和影响图求解器相结合。该问题取自漏油应急响应领域的现有应用程序。规划代理管理的约束，命令组可行的设备使用行动。这是在一个中间的抽象层次映射到影响图。此外，规划器可以应用一个监视算子，确定状态的可观测性-石油的未知轨迹。不确定的世界状态和目标函数属性是影响图结构的一部分，但不表示在规划代理域。通过利用这种结构下产生的规划代理的约束，影响图解决方案的复杂性大大简化，并找到一个最佳的解决方案的就业问题的目标函数的基础上，找到这个最佳的是相当于同时评估的计划范围。这个结果是有界最优性的一个例子，在这个混合生成计划和影响图架构的限制。
2013-02-13 cs.AI
Some Orders Are Important: Partially Preserving Orders in Top-Quality Planning
IBM Research（IBM研究院）
本文提出在高质量规划中仅对指定动作子集保留顺序重要性的新问题，并通过适配偏序约简剪枝技术提升求解效率，实验验证了其有效性。
2024-04-01 cs.AI
Bridging Tool Dependencies and Domain Knowledge: A Graph-Based Framework for In-Context Planning
Amazon（亚马逊）
本研究提出一种基于图的上下文规划框架，通过融合从工具模式构建的工具知识图谱与从内部文档、SOP提取的领域知识图谱，采用深度稀疏整合策略生成示例规划，有效提升了工具增强推理与规划的效果。
2025-10-28 cs.AI
Exploiting Transformer in Sparse Reward Reinforcement Learning for Interpretable Temporal Logic Motion Planning
University of Science and Technology of China（中国科学技术大学）
本文提出双 Transformer 引导的 T2TL 框架，结合 LTL progression 与环境无关预训练，将复杂时序逻辑任务分解为可学习子目标，提升稀疏奖励强化学习运动规划性能。
2023-07-17 cs.AI cs.LO cs.RO
Exploiting Submodular Value Functions For Scaling Up Active Perception
University of Amsterdam（阿姆斯特丹大学）；University of Oxford（牛津大学）；University of Liverpool（利物浦大学）；Delft University of Technology（代尔夫特理工大学）
在主动感知任务中，智能体的目标是选择感官动作，以减少其对一个或多个隐藏变量的不确定性。虽然部分可观察马尔可夫决策过程（POMDP）提供了一个自然的模型，这样的问题，奖励功能，直接惩罚代理的信念的不确定性，可以删除分段线性和凸属性的价值函数所需的大多数POMDP规划。此外，随着代理可用的传感器数量的增加，POMDP规划的计算成本也随之呈指数级增长，使得POMDP规划不可行。在这篇文章中，我们解决了建模和规划主动感知任务的双重挑战。我们展示了$ρ$ POMDP和POMDP-IR的数学等价性，这两个框架用于建模主动感知任务，恢复了价值函数的PWLC属性。为了有效地规划主动感知任务，我们识别和利用POMDP-IR的独立性，以减少求解POMDP-IR（和$ρ$ POMDP）的计算成本。我们提出了贪婪的基于点的值迭代（PBVI），一个新的POMDP规划方法，使用贪婪的最大化，大大提高了可扩展性的行动空间的主动感知POMDP。此外，我们表明，在一定的条件下，包括子模块，使用贪婪PBVI计算的价值函数保证有界误差的最佳价值函数。我们建立的条件下，价值函数的主动感知POMDP保证是次模。最后，我们提出了一个详细的实证分析，从多摄像机跟踪系统在一个购物中心收集的数据集。我们的方法实现了类似的性能，现有的方法，但在一小部分的计算成本，导致更好的可扩展性解决主动感知任务。
2020-09-21 cs.AI cs.LG
A Probabilistic Framework for Hierarchical Goal Recognition
Monash University（蒙纳士大学）；The University of Melbourne（墨尔本大学）
本文提出基于规划的概率框架，用于层次目标识别，结合层次任务网络结构与概率推理，提升目标识别性能。
2026-04-24 cs.AI cs.SC
Solving a Flowshop Scheduling Problem with Answer Set Programming: Exploiting the Problem to Reduce the Number of Combinations
Tecnológico Nacional de México - Tecnológico de Chihuahua（墨西哥国家技术学院——奇瓦瓦技术学院）
计划和调度一直是计算机科学研究的中心主题。特别是，简单的无等待流水车间调度问题的理论方法不允许感知问题的复杂性在第一眼。本文探讨了应答集程序设计语言在解决半导体制造系统中自动湿法刻蚀调度问题中的适用性。为了减少大量的组合，提出了一种基于范围的方法。
2019-09-19 cs.AI cs.LO
Exploiting Locality in Searching the Web
Brown University（布朗大学）
已发表的对Web进行蜘蛛搜索的实验表明，给定包含选定类别的目标页面的子集的Web的（相对小的）子图形式的训练数据，有可能进行定向搜索并比通过执行盲目或不知情的随机或系统搜索显著更快地找到附加目标页面（具有更少的页面检索），例如，广度优先搜索如果是真的，这一主张激发了许多实际应用。不幸的是，这些实验是在专门领域或难以复制的条件下进行的。我们提出并应用了一个实验框架，旨在重新审视和解决早期工作的基本要求，以便支持实验可以复制和建立。我们提供了高性能的工具来构建实验蜘蛛，利用WT 10 g TREC Web语料库的地面实况和静态性质，并依靠简单易懂的机器学习技术来进行我们的实验。在本文中，我们描述了基本框架，激励实验设计，并报告我们的研究结果支持和资格的结论，早期的研究。
2012-10-19 cs.AI cs.IR
Task Tree Retrieval For Robotic Cooking
University Of South Florida（南佛罗里达大学）
本研究围绕机器人烹饪的任务规划问题，基于FOON知识表示框架，通过知识检索调取功能单元信息生成任务子图，实现给定食谱的任务树规划，支持机器人按指令完成烹饪。
2023-11-27 cs.AI cs.RO
SayPlan: Grounding Large Language Models using 3D Scene Graphs for Scalable Robot Task Planning
Queensland University of Technology（昆士兰科技大学）；CSIRO Data61（澳大利亚联邦科学与工业研究组织Data61研究院）；University of Adelaide（阿德莱德大学）
本文提出 SayPlan，利用3D场景图的层级语义搜索、经典路径规划和迭代重规划，使 LLM 能在多层多房间环境中将自然语言指令接地为可执行的长时域机器人任务计划。
2023-09-27 cs.AI cs.RO
Causal-aware Graph Neural Architecture Search under Distribution Shifts
Tsinghua University（清华大学）；Alibaba Cloud（阿里云）
本文提出因果感知的图神经架构搜索方法 CARNAS，通过发现并利用图与架构间的稳定因果关系，在分布偏移下搜索可泛化的图架构，显著提升分布外泛化能力。
2024-12-30 cs.AI cs.LG
Embodied Lifelong Learning for Task and Motion Planning
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
该研究针对家庭服务机器人的终身学习问题，提出面向任务与运动规划的具身终身学习新范式，通过混合生成模型与基于辅助任务的在线模型选择机制，在2D及BEHAVIOR领域实现规划成功率的显著提升。
2023-11-06 cs.AI cs.LG cs.RO
Efficient Hierarchical Any-Angle Path Planning on Multi-Resolution 3D Grids
本文提出了一种基于多分辨率表示的高效任意角度路径规划方法，兼顾最优性和完备性，克服了传统搜索方法的计算瓶颈，实验表明其在真实和合成环境中的优越性能。
2026-02-24 cs.AI cs.RO
Long-Horizon Planning and Execution with Functional Object-Oriented Networks
Brown University（布朗大学）；University of Innsbruck（因斯布鲁克大学）；TU Wien（维也纳工业大学）；German Aerospace Center (DLR)（德国航空航天中心（DLR））
针对 FOON 概念过于抽象、难以直接执行的问题，本文提出将 FOON 自动转换为 PDDL，并结合现成规划器、动作上下文和机器人技能的分层规划框架，在 CoppeliaSim 长程任务中实现可执行规划与场景泛化。
2023-06-02 cs.AI cs.RO
A Model for Optimal Resilient Planning Subject to Fallible Actuators
Texas A&M University（德克萨斯农工大学）
该研究在 MDP 框架中建模易故障执行器的使用相关失效，利用配置间问题结构复用进行计算，并生成可保留关键执行器的弹性策略。
2024-05-18 cs.AI cs.RO
Learning to Plan Hierarchically from Curriculum
The University of Sydney（悉尼大学）；NVIDIA（英伟达）
我们提出了一个框架，学习计划层次结构的领域与未知的动态。我们提高规划性能，利用问题的结构，在几个方面：（一）我们简化了搜索计划，利用知识的技能目标，（二）较短的计划产生的积极执行层次规划，（三）我们学习过渡动态稀疏的本地模型，更好地概括。我们的框架将过渡动态分解为技能效果和成功条件，这允许通过推理效果进行快速规划，同时从与世界的交互中学习条件。我们提出了一个简单的方法来学习新的抽象技能，使用成功的轨迹源于完成课程的目标。然后，学习到的技能被提炼，以利用其他抽象技能并增强后续规划。我们表明，这两个条件和抽象的技能可以同时学习，而规划，即使在随机域。我们的方法在复杂性不断增加的实验中得到了验证，最多有2^100个状态，显示出优于经典非分层规划器或强化学习方法的规划。现实世界的问题的适用性证明在机器人机械手的模拟到真实的传输实验。
2019-06-18 cs.AI cs.LG cs.RO
RAPid-Learn: A Framework for Learning to Recover for Handling Novelties in Open-World Environments
Tufts University（塔夫茨大学）；Smart Information Technology (SIFT)（智能信息技术公司（SIFT））
我们建议快速学习：学习恢复和再次计划，一种混合规划和学习方法，用于解决适应代理环境中突然和意外变化的问题（即，新奇）。RAPid-Learn旨在制定和解决对任务的马尔可夫决策过程（MDP）的修改，并且能够利用领域知识来学习由环境变化引起的任何新动态。它能够利用领域知识来学习动作执行器，这些执行器可以进一步用于解决执行僵局，从而成功执行计划。这种新颖性信息反映在其更新的领域模型中。我们通过在受Minecraft启发的网格世界环境中引入各种各样的新奇事物来证明其有效性，并将我们的算法与文献中的迁移学习基线进行比较。我们的方法是（1）有效的，即使在存在多个新奇，（2）更有效的样本比迁移学习RL基线，（3）鲁棒不完整的模型信息，而不是纯粹的符号规划方法。
2022-06-24 cs.AI cs.LG
Factorization of Multi-Agent Sampling-Based Motion Planning
ETH Zürich（苏黎世联邦理工学院）
本文将因子分解概念集成到基于采样的算法中，通过启发式将智能体子集解耦至独立低维空间，将搜索空间维度增长从指数级降至线性，在保持最优性与完整性同时减少所需样本。
2023-04-01 cs.AI cs.MA cs.RO
