Planning Takes More Than Token Prediction: Causal Plan for Benchmarking and Building Physically Grounded Embodied Reasoners
Tsinghua University（清华大学）；Microsoft Research Asia（微软亚洲研究院）；MBZUAI
针对具身视觉-语言规划中模型依赖语言统计先验而非因果推理的问题，提出 Causal-Plan-Bench 基准和 Causal-Plan-1M 数据集，并训练 Causal Planner 模型，实现从 token 预测到物理因果推理的转变。
2026-10-20 cs.AI
Structure and Complexity in Planning with Unary Operators
Ben-Gurion University（本古里安大学）
一元算子域--即，在许多控制问题中，算子具有单一效果的域自然出现。在其最一般的形式中，一元算子域中的CNOPS规划问题与一般的CNOPS规划问题一样困难-两者都是PSPACE完备的。然而，一元算子域诱导了一个自然的结构，称为域的因果图。该图关系到每个域运算符的前提条件和效果。威廉姆斯和纳亚克利用因果图来分析NASA深空一号航天器中一个控制器的计划生成。在那里，他们利用了这样一个事实，即当这个图是非循环的时，可以快速获得任何子目标的序列化排序。在本文中，我们进行了全面的研究领域的因果图的结构和规划的复杂性之间的关系在这个领域。在积极的一面，我们表明，一个非平凡的多项式时间计划生成算法存在的域的因果图诱导一个多边形树，其节点入度上的一个常数。在消极的一面，我们甚至计划存在是困难的，当图是一个有向路径单连通DAG。更一般地说，我们表明，因果图中的路径的数量是密切相关的规划在相关联的域的复杂性。最后，我们将我们的研究结果与问题的复杂性规划序列化的子目标。
2011-06-26 cs.AI
Planning over Chain Causal Graphs for Variables with Domains of Size 5 Is NP-Hard
Universitat Pompeu Fabra（庞培法布拉大学）
最近，相当多的焦点已被给予的问题，确定之间的边界的听话和棘手的规划问题。本文研究了规划问题类C_n中规划问题的复杂性，其特征是一元算子和有向路径因果图。虽然这是一个规划问题的因果图的最简单的形式之一，我们表明，规划是棘手的C_n（除非P = NP），即使状态变量的域有界的大小。特别地，我们证明了C_n^k的计划存在性是NP-困难的，其中k>=5。这里，k表示状态变量域的大小的上限。我们的结果将类C_n^k的复杂度差距缩小到k=3和k=4的情况，因为已知C_n^2是易处理的。
2014-01-15 cs.AI cs.CC
Parallel Predictive World Models for Accurate and Efficient Long-Horizon Planning
Tsinghua University（清华大学）；Institute of Microelectronics, Chinese Academy of Sciences（中国科学院微电子研究所）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Nanyang Technological University, Singapore（新加坡南洋理工大学）
本文提出并行预测世界模型（PPWM），通过并行预测轨迹并保留因果交互，避免了自回归的递归反馈，在视觉控制任务中实现更低预测误差、更高规划成功率及超过3倍的规划加速。
2026-10-07 cs.AI
CauTraj: A Causal-Knowledge-Guided Framework for Lane-Changing Trajectory Planning of Autonomous Vehicles
Chongqing Jiaotong University（重庆交通大学）；Tongji University（同济大学）
CauTraj通过整合因果知识提升自动驾驶车辆车道变换轨迹规划的精度与稳定性。
2025-12-21 cs.AI cs.RO
On the Computational Complexity of Stackelberg Planning and Meta-Operator Verification: Technical Report
ILLC, University of Amsterdam（阿姆斯特丹大学逻辑、语言与计算研究院）
本文首次对Stackelberg规划进行理论复杂度分析，证明其总体不比经典规划难，但在多项式规划长度限制下复杂度更高，并探讨了任务限制下的复杂度及元算子验证问题。
2024-03-26 cs.AI
Using Human-Guided Causal Knowledge for More Generalized Robot Task Planning
Brown University（布朗大学）
涉及人工智能（AI）的研究的一个主要挑战是开发算法，这些算法可以找到可以推广到不同环境和任务的问题的解决方案。与人工智能不同，人类善于找到可以转移的解决方案。我们假设这是因为他们的解决方案是由因果模型告知的。我们建议使用人类引导的因果知识来帮助机器人找到可以推广到新环境的解决方案。我们开发和测试的语言接口，天真的参与者可以用来沟通这些因果模型的规划的可行性。我们发现初步证据表明，参与者能够使用我们的界面，并生成因果模型，实现近泛化。我们概述了一个实验，旨在测试远泛化使用我们的接口，并描述我们的长期目标，这些因果模型。
2021-10-09 cs.AI cs.RO
From semantics to execution: Integrating action planning with reinforcement learning for robotic causal problem-solving
强化学习是在噪声条件下鲁棒地执行低级别机器人控制的适当且成功的方法。符号行动计划有助于解决因果依赖关系，并将因果关系复杂的问题分解为一系列更简单的高级行动。这两种方法的集成的一个问题是，行动规划是基于离散的高级动作和状态空间，而强化学习通常是由连续的奖励函数驱动。然而，强化学习的最新进展，特别是通用价值函数逼近器和事后经验重放，都集中在基于稀疏奖励的目标无关方法上。在本文中，我们建立在这些新方法的基础上，通过利用奖励稀疏性作为高级和低级状态和控制空间之间的桥梁，促进行动规划与强化学习的集成。因此，我们证明了集成的神经符号的方法是能够解决对象操作问题，涉及工具使用和非平凡的因果依赖关系在嘈杂的条件下，利用数据和知识。
2019-12-08 cs.AI cs.LG cs.RO
A Refined View of Causal Graphs and Component Sizes: SP-Closed Graph Classes and Beyond
规划实例的因果图是规划实践和理论的重要工具。因果图的理论研究已经在很大程度上分析了规划实例的计算复杂性，其中因果图具有一定的结构，通常与其他参数（如变量的域大小）相结合。Chen和Gimand#233;nez甚至忽略了结构，只考虑了弱连通分量的大小。他们证明了，如果组件由一个常数限制，则规划是易处理的，否则就很难处理。然而，他们的棘手结果是由参数化复杂性理论的假设所决定的，该假设与标准复杂性类没有已知的有用关系。我们从标准复杂性类的角度来处理同样的问题，并证明了规划是NP-困难的类无界组件下的一个额外的限制，我们称为SP-封闭。然后，我们认为，大多数NP-硬度定理的因果图是很难应用，因此，证明了一个更一般的结果，即使组件的大小增长缓慢，类是不是密集的图形，规划仍然无法处理，除非多项式层次崩溃。这两个结果仍然成立时，限制类的无环因果图。最后，我们给出了NP-难和NP-中间类之间的边界的部分特征，进一步深入了解这个问题。
2014-02-04 cs.AI cs.DS
Learning Concept-Based Causal Transition and Symbolic Reasoning for Visual Planning
Beijing Institute for General Artificial Intelligence (BIGAI)（北京通用人工智能研究院（BIGAI））；Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）；Yuanpei College, Peking University（北京大学元培学院）；University of California, Los Angeles (UCLA)（加利福尼亚大学洛杉矶分校）
提出可解释且可泛化的视觉规划框架，包含基于替换的概念学习器、符号抽象与推理及视觉因果转移模型，在基于AI2-THOR的大规模数据集CCTP上表现优越并具备对未见数据的泛化能力。
2024-03-27 cs.AI cs.CV cs.LG
The Complexity of Planning Revisited - A Parameterized Analysis
Linköping University（林雪平大学）；Vienna University of Technology（维也纳工业大学）
Bylander和Baeckstroem和Nebel的SAS+对各种约束下规划的计算复杂性进行了早期的分类，从多个方面影响了规划的后续研究。我们回过头来重新分析它们的子类，但这次使用了更现代的参数化复杂性分析工具。这提供了新的结果，与旧的结果一起给出了复杂性景观的更详细的图片。我们证明了分离结果不可能与标准的复杂性理论，这有助于解释为什么某些情况下的规划似乎在实践中比理论预测的更简单。特别是，我们表明，某些限制的实际利益是听话的参数化意义上的长期，一个简单的启发式是足以使一个著名的偏序规划利用这一事实。
2012-08-13 cs.AI
CAR-DESPOT: Causally-Informed Online POMDP Planning for Robots in Confounded Environments
University of Oxford（牛津大学）
本文提出CAR-DESPOT，一种基于因果建模与推理的AR-DESPOT在线POMDP规划扩展方法，通过离线学习因果模型参数化，有效消除未观测混淆变量引起的误差，生成比AR-DESPOT更鲁棒且性能更高的策略。
2023-07-27 cs.AI cs.LG cs.RO
A note on the complexity of the causal ordering problem
IBM Research（IBM研究院）；National Laboratory for Scientific Computing (LNCC)（国家科学计算实验室）
在本说明中，我们提供了一个简洁的报告的因果排序问题的复杂性，最初介绍了西蒙的原因隐含在系统的数学方程的因果依赖关系。我们表明，西蒙的经典算法来推断因果顺序是NP-困难--一个棘手的猜测，但从来没有证明。然后，我们提出了一个详细的帐户Nayak的建议的算法解决方案（最好的），这是由计算传递封闭-有界的时间由$O(|\mathcal V|\cdot |\mathcal S|)$，其中$\mathcal S(\mathcal E, \mathcal V)$是输入系统结构组成的一组$\mathcal E$方程组在一组$\mathcal V$变量与变量的外观（密度）$|\mathcal S|$。我们还评论了因果排序在大规模假设管理和分析中的新兴应用的潜力。
2016-06-13 cs.AI
Compiling Causal Theories to Successor State Axioms and STRIPS-Like Systems
The Hong Kong University of Science and Technology（香港科技大学）
我们描述了一个系统指定的行动的影响。与人工智能规划中常用的那些不同，我们的系统使用一种动作描述语言，允许人们使用域规则来指定动作的效果，域规则是状态约束，可以从旧的动作中产生新的动作效果。声明，在我们的语言中的行动域对应于一个非单调的因果理论的情况演算。在程序上，这样的动作域被编译成一组逻辑理论，一个用于域中的每个动作，然后生成完全实例化的后继状态类公理和类STRIPS系统。我们希望该系统是一个有用的工具，知识工程师编写经典的人工智能规划系统，GOCNET系统，和其他系统的行动需要正式规范的行动规范。
2011-06-24 cs.AI
Graph-based Complexity for Causal Effect by Empirical Plug-in
University of California, Irvine（加利福尼亚大学欧文分校）；Iowa State University（爱荷华州立大学）
本文研究因果效应查询经验插值估计的计算复杂度，证明其评估复杂度可由估计量结构的树宽和超树宽界定，在稀疏经验分布下可降至数据规模的线性时间。
2024-11-15 cs.AI
Causal Object-Centric Models for Planning with Monte Carlo Tree Search
MIRAI；CogAILab
提出COMET算法，结合无监督对象中心编码器和Transformer世界模型，通过动作-槽融合机制和对象因果注意力实现高效规划，在多个基准上优于基线方法。
2026-06-15 cs.AI cs.LG cs.RO
The Computational Complexity of Probabilistic Planning
我们研究的计算复杂性的测试，并找到小计划在概率规划域与平面和命题表示。计划评估和存在的复杂性与寻求的计划类型不同，我们检查完全有序的计划，非循环计划，循环计划，计划价值的三个自然定义下的偏序计划。我们发现，感兴趣的问题是完整的各种复杂性类：PL，P，NP，co-NP，PP，NP^PP，co-NP^PP和PSPACE。在证明某些规划问题是NP^PP完全的过程中，我们引入了一个新的基本NP^PP完全问题，E-MAJSAT，它将标准的布尔可满足性问题推广到涉及概率量的计算;我们的研究结果表明，E-MAJSAT的良好算法的发展可能是非常重要的，为各种各样的问题创建有效的算法。
1998-08-01 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
Language Agents Meet Causality -- Bridging LLMs and Causal World Models
University of Amsterdam（阿姆斯特丹大学）；Institute for Logic, Language and Computation (ILLC)（逻辑、语言与计算研究所）；University of Edinburgh（爱丁堡大学）；Institute for Language, Cognition and Computation (ILCC)（语言、认知与计算研究所）
本文提出将因果表示学习与 LLM 结合的框架，通过可由自然语言查询的因果世界模型增强智能体推理与规划，并在多类任务中验证其优势。
2024-10-25 cs.AI cs.LG stat.ME
ChainFlow-VLA: Causal Flow Planning with Vision-Language Models
Afari Intelligent Drive（阿法瑞智能驾驶）；Tianjin University（天津大学）；University of Macau（澳门大学）
提出ChainFlow-VLA框架，通过自回归生成因果轨迹模式与扩散残差校正的统一概率模型，结合视觉语言模型语义先验，实现自动驾驶中鲁棒的轨迹规划，在NAVSIM v1排行榜上达到94.85分，匹配人类水平。
2026-05-22 cs.AI cs.CV cs.RO
Qualitative Numeric Planning: Reductions and Complexity
Universidad Simón Bolívar（西蒙·玻利瓦尔大学）；ICREA（加泰罗尼亚研究与高等教育机构）；Universitat Pompeu Fabra（庞培法布拉大学）
定性数值规划是经典的规划扩展与非负的实变量，可以增加或减少“定性”，即，不确定的金额。数值型确定性规划一般是不可判定的，而定性数值型规划是可判定的，为广义规划提供了一个方便的抽象模型。定性数值问题（QNP）的解对应于一个相关的完全可观测非确定性（FOND）问题的强循环解。这导致了一个生成和测试算法，用于解决QNP的FOND问题的解决方案是一个接一个地生成和测试终止。然而，这种解决QNP的方法的计算缺点是，它不是简单的修改FOND规划器生成所有的解决方案，并且要检查的解决方案的数量可以是变量数量的双指数。在这项工作中，我们解决这些限制，同时提供更多的见解QNP。更确切地说，我们引入了两个多项式时间的减少，一个从QNP到FOND问题，另一个从FOND问题到QNP，这两个都不涉及终止测试。这些减少的结果是，QNP被证明具有相同的表达能力和相同的复杂性FOND问题。
2020-11-26 cs.AI
Narrative Planning: Balancing Plot and Character
Georgia Institute of Technology（佐治亚理工学院）；North Carolina State University（北卡罗来纳州立大学）
叙事，特别是讲故事，是人类经验的重要组成部分。因此，能够推理叙事的计算系统可以成为更有效的沟通者、娱乐者、教育者和培训者。计算叙事推理的核心挑战之一是叙事生成，即自动创建有意义的事件序列。有许多因素--逻辑和美学--有助于叙事作品的成功。这种成功的核心是它的可理解性。我们认为，以下两个属性的叙事是普遍的：（a）逻辑因果关系的情节进展，（b）字符的可信度。角色可信度是观众对角色所做的动作不会对观众的怀疑产生负面影响的感知。具体来说，角色必须被观众感知为有意的代理人。在这篇文章中，我们将探讨使用细化搜索作为解决叙事生成问题的一种技术-找到一个声音和可信的字符动作序列，将初始世界状态转换为目标命题持有的世界状态。我们描述了一种新的细化搜索规划算法-基于意图的偏序因果链接（IPOCL）规划器-，除了创建因果关系健全的情节进展，通过确定可能的字符目标，解释他们的行动和创建计划结构，解释为什么这些字符致力于他们的目标，字符的意向性的原因。我们提出的实证评估的结果表明，IPOCL算法生成的叙事计划支持观众理解的字符意图比传统的偏序规划师生成的计划。
2014-01-16 cs.AI
Machine Learning for Financial Forecasting, Planning and Analysis: Recent Developments and Pitfalls
University of Hamburg（汉堡大学）；Hamburg Business School（汉堡商学院）
本文介绍了用于财务预测、规划和分析（FP\&A）的机器学习。机器学习似乎非常适合通过从大量数据中高度自动化地提取信息来支持FP\&A。然而，由于大多数传统的机器学习技术专注于预测（预测），我们讨论了必须特别注意避免将它们用于规划和资源分配（因果推断）的陷阱。虽然机器学习的幼稚应用通常在这种情况下失败，但最近开发的双重机器学习框架可以解决感兴趣的因果问题。我们回顾了FP\&A中机器学习的现有文献，并在模拟研究中说明了机器学习如何用于预测和规划。我们还研究了预测和规划如何随着数据点数量的增加而改进。
2021-07-10 cs.AI econ.EM
Symbolic Pattern Temporal Numeric Planning with Intermediate Conditions and Effects
本文提出了一种扩展的符号模式规划方法，用于处理具有中间条件和效果的时间规划问题，实验显示其在多个领域表现优异。
2026-02-10 cs.AI
DreamFly: Causal Memory and Receding-Horizon Diffusion Planning for Aerial Vision-Language Navigation
School of Electronic Information Engineering, Xi’an Technological University（西安工业大学电子信息工程学院）；School of Computer Science and Engineering, Xi’an Technological University（西安工业大学计算机科学与工程学院）
DreamFly是基于Dream-VLA的扩散式空中VLN框架，通过因果记忆、后退时域扩散规划和LiteStop解耦终止，在OpenFly基准上显著优于对比方法。
2026-08-13 cs.AI cs.CV
Causality-Aware End-to-End Autonomous Driving via Ego-Centric Joint Scene Modeling
Korea University（韩国大学）；Kakao Mobility
本文提出CaAD框架，通过共享潜在场景表示捕捉车辆与周围代理之间的因果依赖关系，以提高端到端自动驾驶的闭环规划性能。
2026-05-19 cs.AI cs.RO
Where's the Plan? Locating Latent Planning in Language Models with Lightweight Mechanistic Interventions
University of California, Berkeley（加州大学伯克利分校）
通过押韵对句补全任务，使用线性探针和激活修补方法，研究语言模型在生成过程中是否形成并因果依赖未来约束的潜在规划，发现仅Gemma-3-27B模型存在因果依赖，并定位到五个注意力头。
2026-06-15 cs.AI cs.LG
Analyzing Search Topology Without Running Any Search: On the Connection Between Causal Graphs and h+
INRIA（法国国家信息与自动化研究所）
忽略删除列表松弛对于满意规划和最优规划都是至关重要的。在早期的工作中，人们观察到，最佳松弛启发式h+在许多经典的规划基准中具有惊人的品质，特别是与完全不存在局部极小值有关。证明这是手工制作的，提出了这样的证明是否可以自动域分析技术的问题。与早期令人失望的结果相反-分析方法具有指数运行时间，并且仅在两个极其简单的基准领域中成功-我们在此肯定地回答这个问题。我们建立因果图结构和h+拓扑之间的联系。这导致了低阶多项式时间分析方法，在我们称为TorchLight的工具中实现。在已经证明不存在局部最小值的12个域中，TorchLight在8个域中给出了强有力的成功保证。从经验上讲，它的分析表现出强大的性能，在进一步的2个这些领域，再加上4个领域，局部极小值可能存在，但很少。通过这种方式，TorchLight可以区分简单域和困难域。通过总结分析失败的结构原因，TorchLight还提供诊断输出，指示可能导致局部最小值的域方面。
2014-01-16 cs.AI
Towards Accurate Predictions and Causal 'What-if' Analyses for Planning and Policy-making: A Case Study in Emergency Medical Services Demand
Monash University（莫纳什大学）；Turning Point, Eastern Health Clinical School, Monash University（莫纳什大学东方健康临床学院Turning Point）
紧急医疗服务（EMS）的需求量已经成为许多政府当局的一个相当大的负担，EMS需求往往是社区压力的早期指标，是新出现问题的警告信号。在本文中，我们介绍了深度规划和决策网络（DeepPPMNet），一个基于长短期记忆网络的全球预测和推理框架来预测EMS需求，分析因果关系，并执行“假设”分析，为跨多个地方政府领域的政策制定。除了传统的单变量预测技术，所提出的方法遵循全球预测方法，其中模型在所有可用的EMS需求时间序列中进行训练，以利用可用的潜在交叉序列信息。DeepPPMNet还使用季节分解技术，将两种不同的训练范式纳入框架中，以适应EMS相关时间序列数据的各种特征。然后，我们探索因果关系使用格兰杰因果关系的概念，全球预测框架使我们能够执行“如果”的分析，可用于国家政策制定过程。我们经验性地评估我们的方法，使用一组EMS数据集相关的酒精，药物使用和自我伤害在澳大利亚。所提出的框架是能够超越许多国家的最先进的技术，并取得竞争力的结果，在预测精度。最后，我们说明了它的使用政策制定的一个例子，酒精出口许可证。
2020-04-25 cs.AI cs.LG stat.AP
More Than Meets the Eye? Uncovering the Reasoning-Planning Disconnect in Training Vision-Language Driving Models
S-Lab, Nanyang Technological University, Singapore（南洋理工大学S实验室）；College of Computing and Data Science, Nanyang Technological University, Singapore（南洋理工大学计算与数据科学学院）
该研究针对视觉语言驾驶模型中推理是否因果驱动规划的问题，构建DriveMind语料库开展实验，发现推理与规划存在因果脱节，提出解耦假说及免训练诊断工具。
2026-10-09 cs.AI cs.CL cs.RO
Improved Monte Carlo Planning via Causal Disentanglement for Structurally-Decomposed Markov Decision Processes
ETH Zürich（苏黎世联邦理工学院）
针对传统MDP未利用因果结构的问题，提出基于因果解缠的SD-MDP框架，将序列优化转化为对数线性复杂度的分数背包问题，可与MCTS集成，在多领域策略性能优于基准。
2025-10-03 cs.AI cs.LG cs.SY
Learning Causal Structure Distributions for Robust Planning
School of Informatics, Computing and Engineering, Indiana University（信息学、计算与工程学院，印第安纳大学）；Nuro, Inc.（Nuro公司）
本文提出一种估计因果结构分布以指导编码器-多解码器概率模型潜在空间表示的方法，通过学习功能关系并考虑结构不确定性，构建了更鲁棒的机器人动力学模型，在显著降低计算资源的同时改善了下游规划，并在仿真和真实环境中验证了其对损坏输入与环境变化的适应性。
2025-08-08 cs.AI cs.LG cs.RO
Planning for Temporally Extended Goals in Pure-Past Linear Temporal Logic: A Polynomial Reduction to Standard Planning
Bank of Italy（意大利银行）；York University（约克大学）
我们研究了纯过去LTL（PPLTL）中表达的时间扩展目标。PPLTL是特别有趣的表达目标，因为它允许表达复杂的任务，在正式的方法文献，而最坏情况下的计算复杂性规划在确定性和非确定性域（FOND）仍然是相同的经典的可达性目标。然而，虽然规划东帝汶警察部队目标的理论已得到很好的理解，但尚未具体研究实用工具。在本文中，我们在构建处理PPLTL目标的实际工具方面取得了重大飞跃。我们设计了一种技术多项式转化为标准规划PPLTL目标的规划。我们通过一些对比实验，证明了翻译的形式正确性、复杂性和实际有效性。因此，我们的翻译使最先进的工具（如FD或MyND）能够无缝处理PPLTL目标，保持其在经典可达性目标方面令人印象深刻的性能。
2022-05-31 cs.AI
FLEX-WAM: Flexible Block-Causal World-Action Models for Long-Horizon Imagination and Planning
Center for Robotics and Embodied Intelligence (CREO), New York University（纽约大学机器人与具身智能中心）；Courant Institute of Mathematical Sciences and Center for Data Science, New York University（纽约大学库朗数学科学研究所和数据科学中心）；Ecole normale supérieure - PSL（巴黎高等师范学校-巴黎文理研究大学）；NVIDIA（英伟达）；Artificial and Natural Intelligence Toulouse Institute (ANITI)（图卢兹人工与自然智能研究所）
FLEX-WAM提出一种灵活高效的块因果世界-动作模型，支持长时程想象与规划，通过平衡梯度贡献和FD弹性提升动作响应性，在模拟和真实任务中实现稳定推演与实时部署。
2026-10-06 cs.AI cs.RO
Learning Plannable Representations with Causal InfoGAN
UC Berkeley（加州大学伯克利分校）；University of Chicago（芝加哥大学）
近年来，深度生成模型已经被证明可以“想象”令人信服的高维观察，如图像，音频甚至视频，直接从原始数据中学习。在这项工作中，我们问如何想象目标导向的视觉计划-一个看似合理的观察序列，将动态系统从当前配置转换到期望的目标状态，稍后可以用作控制的参考轨迹。我们专注于高维观测系统，如图像，并提出了一种自然结合表示学习和规划的方法。我们的框架学习了一个连续观测的生成模型，其中生成过程是由低维规划模型中的过渡和额外的噪声引起的。通过最大化所生成的观测和规划模型中的过渡之间的互信息，我们获得了一个低维表示，最好地解释了数据的因果性质。我们的规划模型的结构，以兼容高效的规划算法，我们提出了几个这样的模型的基础上，无论是离散或连续状态。最后，为了生成可视化计划，我们将当前和目标观测投影到规划模型中的相应状态，规划轨迹，然后使用生成模型将轨迹转换为观测序列。我们展示了我们的方法，想象合理的视觉计划的绳子操作。
2018-07-24 cs.AI cs.CV cs.LG
A Complete Parameterized Complexity Analysis of Bounded Planning
Linköping University（林雪平大学）；Masaryk University（马萨里克大学）；Vienna University of Technology（维也纳工业大学）
命题规划问题是一个非常困难的计算问题，即使在很强的句法和结构限制下也很难解决。考虑到其难度，在参数化复杂性的背景下研究规划变得很自然。本文继续了Downey、Fellows和Stege关于规划的参数化复杂性的研究工作。“我们在两个最突出的语法限制下提供了规划问题的参数化复杂性的完整分类，即，由Baeckstroem和Nebel引入的所谓的PUBS限制以及由Bylander引入的对先决条件和效果的数量的限制。我们还确定所考虑的固定参数易处理的问题承认一个多项式核，哪些不。
2013-10-29 cs.AI cs.DS
Causal Inference by Stochastic Complexity
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Saarland University（萨尔大学）
算法马尔可夫条件指出，两个随机变量X和Y之间最可能的因果方向可以被识别为具有最低柯尔莫哥洛夫复杂度的方向。然而，由于停机问题，这个概念是不可计算的。因此，我们建议做因果推理的随机复杂性。也就是说，我们建议通过最小描述长度（MDL）原则来近似Kolmogorov复杂度，使用一个关于所考虑的模型类的最小-最大最优得分。这意味着即使在对抗性设置中，例如当真实分布不在该类中时，我们仍然可以获得相对于该类的数据的最佳编码。我们实例化这个框架，我们称之为CISC，对单变量离散变量，使用类的多项式分布。实验表明，CISC对合成数据、基准数据以及真实数据都非常准确，远远优于最先进的技术水平，并且在样本和域大小方面具有非常好的扩展性。
2017-02-22 cs.AI cs.LG
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
From Probability to Counterfactuals: the Increasing Complexity of Satisfiability in Pearl's Causal Hierarchy
Saarland University（萨尔大学）；University of Lübeck（吕贝克大学）
本文研究 Pearl 因果层级中概率、干预与反事实推理的可满足性问题计算复杂度，首次证明在允许加法与边缘化时复杂度从 NP^PP 到 PSPACE 再到 NEXP 严格递增，并证明完全语言下反事实层级复杂度与较低层级相同，解决了一个开放问题。
2025-02-06 cs.AI cs.CC
A Structural Complexity Analysis of Hierarchical Task Network Planning
Regensburg University（雷根斯堡大学）；TU Wien（维也纳技术大学）；Telefónica Scientific Research（西班牙电信科学研究中心）
本文对层次任务网络规划中的三个经典问题进行了精细复杂性分析，识别出产生可处理性的结构性质，为原始网络提出多项式算法及下界，并给出提升可解性的元定理及参数化复杂性分析。
2025-01-22 cs.AI cs.CC
Parameterized Complexity Results for Plan Reuse
Vienna University of Technology（维也纳技术大学）；Free University of Bozen-Bolzano（博岑-博尔扎诺自由大学）
规划是一个众所周知的高最坏情况复杂性的计算困难的问题。研究人员一直在投入大量的精力来开发规划或限制，使规划实际可行。基于案例的规划是一种启发式方法，在解决类似问题时，人们试图重用以前的经验，以避免一些规划工作。在某些情况下，计划重用可能会为计划生成提供一种有趣的替代方案。我们提供的理论结果，确定计划重用的情况下，可证明是听话的。我们在参数化复杂性的框架中进行分析，该框架支持严格的最坏情况复杂性分析，该分析将输入的结构特性考虑在内。参数化复杂性的一个中心概念是固定参数可处理性，它通过利用问题输入的结构属性的影响来扩展多项式时间可处理性的经典概念。我们绘制了一个详细的地图的参数化的复杂性景观的几个变种的问题，出现在基于案例的规划的背景下。特别是，我们考虑重用现有计划的问题，在参数方面施加各种限制，例如可以添加到现有计划的步骤数量，将其变成手头的规划实例的解决方案。
2013-07-16 cs.AI cs.CC
On the Empirical Complexity of Reasoning and Planning in LLMs
National University of Singapore（新加坡国立大学）
本文通过6项推理任务的实验案例，将CoT与ToT的性能优势联系到样本与计算复杂性原则，揭示任务分解及树结构在困难推理任务中的作用。
2024-06-18 cs.AI cs.LG
ExoPredicator: Learning Abstract Models of Dynamic Worlds for Robot Planning
本文提出ExoPredicator框架，通过联合学习符号状态表示和因果过程，解决长周期具身规划中的外源性过程建模问题，实现对复杂任务的泛化能力。
2026-03-15 cs.AI cs.CV cs.LG
Inferring Causal Direction from Observational Data: A Complexity Approach
University College London（伦敦大学学院）；Novartis International AG（诺华国际股份公司）
从观测数据中学习因果结构的核心是一个看似简单的问题：给定两个统计相关的随机变量，哪一个对另一个有因果效应？这是不可能回答单独使用统计依赖检验，并要求我们作出额外的假设。我们提出了几个快速和简单的标准区分因果关系的离散或连续的随机变量对。它们背后的直觉是，使用原因变量预测结果变量应该比相反的情况“更简单”-不同的“简单性”概念产生不同的标准。我们证明的准确性的标准下产生的合成数据的因果机制和类型的噪声的一个广泛的家庭。
2020-10-12 cs.AI cs.LG stat.ML
On the Complexity of Identification in Linear Structural Causal Models
Saarland University（萨尔大学）；University of Lübeck（吕贝克大学）
本文研究线性结构因果模型中的参数识别问题，提出一种多项式空间内运行的新算法，其指数时间优于现有双指数方法，并证明该问题在计算上是困难的，首次给出可识别性概念的困难性结果。
2024-07-17 cs.AI cs.CC
Combinatorial Pure Exploration of Causal Bandits
Tsinghua University（清华大学）；Microsoft Research（微软研究院）
因果土匪的组合纯探索是以下在线学习任务：给定具有未知因果推断分布的因果图，在每一轮中，我们选择变量的子集进行干预或不进行干预，并观察所有随机变量的随机结果，目标是使用尽可能少的轮，我们可以以至少$1-δ$的概率输出给出关于奖励变量$Y$的最佳（或几乎最佳）预期结果的干预，其中$δ$是给定的置信水平。我们提供了两种类型的因果模型-二进制广义线性模型（BGLM）和一般图的第一个间隙依赖和完全自适应的纯探索算法。对于BGLM，我们的算法是第一个专门为这种设置设计的，并实现多项式样本复杂度，而所有现有的算法一般图形的样本复杂度指数的图形大小或一些不合理的假设。对于一般的图，我们的算法提供了一个显着的改善样本的复杂性，它几乎匹配的下限，我们证明。我们的算法实现了这样的改进，通过一个新的集成前因果强盗算法和前自适应纯探索算法，其中前者利用因果强盗丰富的观测反馈，但不适应奖励差距，而后者有相反的问题。
2023-03-14 cs.AI cs.LG
Timeline-based planning: Expressiveness and Complexity
University of Udine（乌迪内大学）
基于时间线的规划是最初在空间飞行任务规划和时间安排方面开发的一种方法，其中问题域被建模为由若干独立但相互作用的组成部分组成的系统，这些组成部分随着时间的推移的行为，即时间线，受到一组时间限制的制约。这种方法不同于常见的PDDL类规划语言的基于操作的观点。基于时间线的系统已成功地部署在一些空间飞行任务和其他领域。然而，尽管取得了实际的成功，对范式的彻底的理论理解仍然缺失。本文填补了这一空白，提供了第一个详细的正式和计算性能的时间线为基础的方法来规划。特别是，我们表明，一个特别受限制的形式主义的变体已经足够的表达，以紧凑地捕捉基于行动的时间规划问题。然后，找到一个解决方案的时间线为基础的规划问题的计划被证明是EXPSPACE完全的。然后，我们研究了基于时间线的规划问题的不确定性，其中包括外部组件的行为是不受控制的计划系统。我们确定了一些问题，在国家的最先进的方法的基础上灵活的计划，提出基于时间线的游戏，更一般的博弈论制定的问题，解决这些问题。我们发现，这种游戏的获胜策略可以在双指数时间。然后，我们从逻辑的角度研究了形式主义的表达性，表明（大多数）基于时间线的规划问题可以捕获有界TPTL与过去，一个片段的TPTL+P，不像后者，保持一个EXPSPACE可满足性问题。引入了逻辑，并通过扩展最近的一次通过树形表方法LTL解决其可满足性问题。
2021-07-23 cs.AI cs.CC
The Hardness of Reasoning about Probabilities and Causality
Institute of Theoretical Computer Science, University of Lübeck（吕贝克大学理论计算机科学研究所）；Saarland University（萨尔大学）
从计算复杂性角度研究概率与因果推理形式语言，引入新复杂性类succ$\exists$R并证明相关可满足性问题对其完备，揭示了更强的算法局限性。
2023-05-16 cs.AI cs.CC
An Algorithm and Complexity Results for Causal Unit Selection
UCLA Computer Science Department（加州大学洛杉矶分校计算机科学系）
单元选择问题旨在识别被称为单元的对象，这些对象在受到刺激时最有可能表现出期望的行为模式（例如，即将流失但如果受到鼓励就会改变主意的客户）。单位选择与反事实的目标函数是最近推出的，现有的工作重点是界定一个特定的目标函数类，称为效益函数，基于观测和干预数据-假设一个完全指定的模型是不可用的，以评估这些功能。我们补充这条线的工作，提出了第一个精确的算法，寻找最佳单位给出了广泛的一类因果目标函数和一个完全指定的结构因果模型（SCM）。我们表明，这类目标函数下的单位选择是$\text{NP}^\text{PP}$ -完全的，但$\text{NP}$ -完全时，单位变量对应于SCM中的所有外生变量。我们还提供了基于树宽的复杂性界限，我们提出的算法，同时将其与一个著名的算法最大后验（MAP）推理。
2023-02-28 cs.AI cs.CC cs.LG
RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset
Southern University of Science and Technology（南方科技大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Spatialtemporal AI（时空人工智能）
RADAR通过语义规划和自主因果环境重置实现闭环机器人数据生成，具备高适应性和可扩展性，在仿真和现实部署中均表现出卓越的性能。
2026-07-16 cs.AI cs.CV cs.RO
Why Not? Solver-Grounded Certificates for Explainable Mission Planning
Serana AI Inc.（Serana AI公司）
本文提出基于求解器的可解释任务规划证书方法，通过优化模型本身生成解释，实现正确性、反事实有效性及稳定性，提升调度决策的可解释性。
2026-02-28 cs.AI math.OC
AnchorReasoning: A Visual Grounding and Causal Reasoning Dataset in Long-Tail Autonomous Driving Scenarios
University of Georgia（佐治亚大学）
该研究提出AnchorReasoning数据集，通过视觉定位思维链监督，提升长尾自动驾驶中VLM的推理与轨迹预测能力。
2026-09-24 cs.AI cs.CV
Parameterized Complexity and Kernel Bounds for Hard Planning Problems
Linköping University（林雪平大学）；Masaryk University（马萨里克大学）；Vienna University of Technology（维也纳技术大学）
命题规划问题是一个非常困难的计算问题。Downey et al.（1999）提出了规划的参数化分析（以规划长度为参数），Bäckström et al.（2012）继承了这一研究思路，在各种限制条件下进行了广泛的参数化分析，只留下了一个顽固的案例。我们继续这项工作，并提供一个完整的分类。特别是，我们表明，当行动没有先决条件，最$e$后置条件是固定参数易处理的情况下，如果$e\leq 2$和W[1]-完全，否则。我们通过简化为Steiner树问题的一个变体来展示固定参数的易处理性; Guo et al.（2007）已经证明了这个问题是固定参数易处理的。如果一个问题是固定参数易处理的，那么它允许一个多项式时间自约化的实例，其输入大小由参数的函数（称为核）限制。对于某些问题，该函数甚至是多项式，这具有期望的计算含义。最近的研究在参数化的复杂性集中在分类固定参数的易处理的问题，他们是否承认多项式核或没有。我们重新审视所有以前获得的限制规划是固定参数的易处理的，并表明，他们都不承认一个多项式内核，除非多项式层次结构崩溃到第三级。
2013-01-21 cs.AI cs.DS
Reinforced Context Order Recovery for Adaptive Reasoning and Planning
Peking University（北京大学）；Beijing Normal University（北京师范大学）
本文提出强化上下文顺序恢复（ReCOR）框架，利用强化学习和自监督 token 预测难度估计，从无标注文本中提取自适应生成顺序，在推理与规划任务上优于基线甚至真实顺序监督模型。
2025-08-18 cs.AI cs.CL
