An Overview of Hierarchical Task Network Planning
Johann Bernoulli Institute for Mathematics and Computer Science（约翰·伯努利数学与计算机科学研究所）；University of Groningen（格罗宁根大学）
层次结构是用来更好地理解世界的最常见的结构。例如，在星系中，多星系统是以一个等级系统组织起来的。然后，政府和公司组织使用层次结构，而每天使用的互联网具有分层排列的域名空间。由于人工智能（AI）规划描绘了关于世界的信息和解决世界上一些问题的原因，因此近40年前引入了分层任务网络（HTN）规划来表示和处理层次结构。HTN需要丰富的领域知识来覆盖世界，这使得HTN规划非常有用，而且表现良好。然而，近40年的历史混淆了目前对HTN规划的理解，包括成就，规划模型，层次规划师之间的异同以及其当前和客观的形象。在这些问题之上，注意力吸引了层次规划的能力，以真正应对来自现实世界的应用程序的要求。我们提出了一个基于框架的方法来补救这种情况。首先，我们提供了一个基础，定义不同的正式模型的层次规划，并定义了两个模型，包括大部分的HTN规划师。其次，我们提供了一套概念，有助于解释HTN规划师从他们的搜索空间的方面。然后，我们分析和比较的规划者的基础上组织在五个部分，即域创作，表现力，能力，性能和适用性的各种属性。此外，我们选择Web服务组合作为一个现实世界和当前的应用，分类和比较的方法，采用HTN规划来解决服务组合的问题。最后，我们总结了我们的研究结果，并提出了未来工作的方向。
2014-03-28 cs.AI
HyperTensioN and Total-order Forward Decomposition optimizations
University of Aberdeen（阿伯丁大学）；University of Cambridge（剑桥大学）
分层任务网络（HTN）规划者使用具有额外领域知识的分解过程来生成规划，以引导对规划任务的搜索。当领域专家开发HTN描述时，他们可能会重复描述相同的前提条件，或者很少使用或可能被分解的方法。通过利用三级编译器设计，我们可以轻松地支持更多的语言描述和预处理优化，当链接时可以大大提高这些领域的运行时效率。在本文中，我们使用HTN IPC 2020中使用的HyperTensioN HTN规划器来评估此类优化。
2022-07-01 cs.AI cs.MA cs.SY
An Efficient HTN to STRIPS Encoding for Concurrent Plans
Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）
层次任务网络（HTN）的形式主义是用来表达各种各样的规划问题的分解成subtakes的任务。已经提出了许多技术来解决这种层次规划问题。一种特殊的技术是将层次规划问题编码为经典的分层规划问题。这种技术的一个优点是直接受益于CNOPS规划人员的不断改进。然而，仍然有一些有效的和有表现力的编码。在本文中，我们提出了一个新的HTN到CNOPS编码允许生成并发计划。我们的实验表明，这种编码优于以前的方法分层IPC基准。
2022-06-14 cs.AI
Une approche totalement instanciée pour la planification HTN
Université Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Intrinsec（Intrinsec公司）
已经开发了许多规划技术，以允许自主系统根据其对环境的感知来采取行动和做出决策。在这些技术中，HTN（{ \it Hierarchical Task Network}）规划是实践中使用最多的技术之一。不同于传统的规划方法。HTN通过将任务分解为子任务来操作，直到这些子任务中的每一个都可以实现动作。这种分层表示提供了规划问题的更丰富的表示，并允许更好地指导计划搜索，并为底层算法提供更多的知识。在本文中，我们提出了一种新的HTN规划方法，在传统的规划，我们实例化所有的规划运营商开始搜索过程之前。这种方法已经证明了它的有效性，在经典的规划，是必要的发展有效的规划和编码规划问题在其他形式主义，如CSP或SAT。实例化实际上被大多数现代规划者使用，但从未应用于基于HTN的规划框架。在这篇文章中，我们提出了一个通用的实例化算法，实现了许多简化技术，以减少过程的复杂性，从经典的规划中使用的启发。最后，我们提出了一些结果，从实验中使用的一系列问题，在国际规划竞赛与修改后的版本的SHOP计划器使用完全实例化的问题。
2018-10-22 cs.AI
ChatHTN: Interleaving Approximate (LLM) and Symbolic HTN Planning
American University（美国大学）；Navy Center for Applied Research in AI（海军人工智能应用研究中心）；Naval Research Laboratory（海军研究实验室）；Interagens s.r.l（Interagens公司）
本文提出 ChatHTN 规划器，将符号 HTN 规划与 ChatGPT 生成的近似任务分解交错，并在利用 LLM 的同时保证所生成规划的可靠性，且提供开源实现。
2025-05-17 cs.AI
Online Learning of HTN Methods for integrated LLM-HTN Planning
Computer Science \& Engineering, Lehigh University；Bethlehem, PA 18015-3084 USA
本研究针对集成LLM-HTN规划的需求，提出在线学习HTN方法的机制，扩展ChatHTN规划器以从ChatGPT生成的任务分解中学习广义方法，减少LLM调用次数并提升规划性能。
2025-11-17 cs.AI
Hierarchical Task Network Planning with LLM-Generated Heuristics
University of Aberdeen, UK（爱丁堡大学（英国））；PUCRS, Brazil（巴西普埃布拉联邦大学）；University of Oxford, UK（牛津大学（英国））；Saarland University, Germany（萨尔大学（德国））；Universidade Federal do Rio Grande do Sul, Brazil（巴西里约格兰德 do 南大学）
研究利用大语言模型为层次任务网络规划生成搜索启发式，通过Pytrich规划器在六个基准领域评估，结果表明LLM生成的启发式在覆盖度上接近最优HTN规划器，并在83%的共享问题上显著减少搜索开销。
2026-05-28 cs.AI
Lose the Order, Keep the Hierarchy: Deordering HTN Plans
本文将经典规划的两种去序技术适配HTN场景，在IPC 2023基准上与Optiplan对比，实现了HTN规划顺序约束的大幅减少，同时关键路径长度也有一定降低。
2026-09-04 cs.AI
HTN Planning as a Coordination Layer for Multi-Server MCP Tool Orchestration
RIKEN（理化学研究所）；Cosmic AI（宇宙人工智能公司）
提出一种基于HTN规划的协调架构，为多服务器MCP工具编排生成可验证计划并由运行时中间件确定性执行，解决大语言模型编排的非确定性问题，已在五个领域及八个实时服务器上验证。
2026-09-29 cs.AI
Domain-Dependent Knowledge in Answer Set Planning
在本文中，我们考虑三种不同的领域相关的控制知识（时间，程序和HTN为基础的），是有用的规划。我们的方法是声明性的，并依赖于逻辑编程语言与答案集语义（AnsProlog*）。AnsProlog* 设计用于在没有控制知识的情况下进行计划。我们展示了如何时间，程序和基于HTN的控制知识可以被纳入AnsProlog* 通过模块化添加少量的域相关的规则，而不需要修改规划。我们正式证明了我们的计划的正确性，无论是在控制知识的存在和不存在。最后，我们进行了一些初步的实验，证明了潜在的减少规划时间，可以实现时，程序领域的知识来解决规划问题，大的计划长度。
2005-08-29 cs.AI
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
Hierarchical Planning in the IPC
University Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Ulm University（乌尔姆大学）；The MITRE Corporation（MITRE公司）
在过去的一年里，对层次规划的研究有所增加，导致规划人员的业绩有了很大的改善。然而，研究是不同的，规划者有点难以相互比较。这主要是由于没有一套标准的基准领域，甚至也没有一个共同的描述语言的层次规划问题。因此，可用的规划器支持广泛变化的功能集，并且（几乎）没有一个可以解决（甚至解析）为另一个规划器开发的任何问题。在本文中，我们建议创建一个新的轨道的IPC中，层次规划者将竞争。这场竞赛将产生一种标准化的描述语言，规划者对该语言核心特征的更广泛支持，一组基准问题，一种公平客观地比较HTN规划者的方法，以及规划者面临的新挑战。
2019-09-10 cs.AI
SibylSat: Using SAT as an Oracle to Perform a Greedy Search on TOHTN Planning
University Grenoble Alpes（格勒诺布尔大学）
本文提出SibylSat，一种基于SAT的贪心搜索方法，用于高效求解全序HTN规划问题，在IPC基准上优于现有方法，提升运行时间和计划质量。
2024-11-04 cs.AI
Preference-Guided Planning: An Active Elicitation Approach
University of Texas, Dallas（得克萨斯大学达拉斯分校）；Indiana University, Bloomington（印第安纳大学伯明顿分校）；Washington State University（华盛顿州立大学）；University of Pennsylvania（宾夕法尼亚大学）
带有偏好的计划已被广泛采用，以快速生成高质量的计划。然而，人类专家在不知道规划者所采用的推理和规划问题的分布的情况下可能难以提供该信息。我们考虑的问题，积极引出的偏好，从人类专家在规划过程中。具体来说，我们研究这个问题的层次任务网络（HTN）规划框架的背景下，因为它可以很容易地与人的互动。我们在几个不同的规划领域的实验结果表明，使用所提出的方法收集的偏好，提高了规划的质量和速度，同时减少了人类专家的负担。
2018-04-19 cs.AI
Provenance-Based Assessment of Plans in Context
SIFT, LLC（SIFT有限责任公司）
许多现实世界的规划领域涉及不同的信息源，外部实体和可变可靠性代理，所有这些都可能影响计划的信心，风险和敏感性。审查计划的人可能缺乏关于这些因素的上下文;然而，这些信息在域生成期间可用，这意味着它也可以交织到计划器及其生成的计划中。本文提出了一种基于出处的方法来解释自动化计划。我们的方法（1）扩展了SHOP 3 HTN规划器以生成依赖信息，（2）将依赖信息转换为已建立的PROV-O表示，以及（3）使用图传播和TMS启发的算法来支持对信息流、置信度和支持度的动态和反事实评估。我们的方法的解释范围方面的解释目标，从自动规划文献和信息分析文献，我们证明了它的能力，以评估计划的相关性，敏感性，风险，假设支持，多样性和相对的信心。
2020-11-03 cs.AI cs.HC
Cost-Optimal Algorithms for Planning with Procedural Control Knowledge
Knexus Research Corporation（Knexus研究公司）；MITRE（MITRE公司）；Naval Research Laboratory（海军研究实验室）
有一个令人印象深刻的机构的工作，发展规划和其他推理算法，以指导搜索最佳和任何时候的规划算法的经典规划。然而，很少的努力已被导向开发类似的技术，以引导搜索到高质量的解决方案，如HTN规划的层次规划形式主义，它允许使用额外的特定领域的程序控制知识。代替这种技术，这种控制知识通常需要为规划算法提供必要的搜索指导，这给领域作者带来了很大的负担，并且可能产生脆弱或容易出错的领域模型。我们通过扩展最近的工作，一个新的分层目标为基础的规划形式主义，称为分层目标网络（HGN）规划开发的分层最优目标分解规划（HOpGDP），HGN规划算法，计算分层最优的计划，来解决这个差距。HOpGDP由$h_{HL}$指导，$h_{HL}$是一种新的HGN规划启发式算法，它扩展了现有的基于可容许地标的启发式算法，从经典规划中计算HGN规划问题的可容许成本估计。我们在三个基准规划领域的实验评估表明，HOPGDP相比，由于其能够使用特定领域的程序知识，和盲目搜索版本的HOPGDP由于$h_{HL}$提供的搜索指导的最佳经典规划。
2016-07-07 cs.AI
SAPA: A Multi-objective Metric Temporal Planner
Arizona State University（亚利桑那州立大学）
SAPA是一个独立于领域的启发式前向链接规划器，可以处理持续性动作，度量资源约束和截止日期目标。它被设计为能够处理度量时间规划的多目标性质。我们的技术贡献包括：（一）规划图为基础的方法，用于获得成本和完工时间敏感的启发式算法（二）调整技术的启发式估计，采取行动的相互作用和度量资源的限制考虑和（iii）线性时间贪婪后处理技术，以提高执行的灵活性的解决方案计划。在AIPS-02举行的第三届国际规划竞赛中，使用本文提出的许多技术的SAPA的实现是最好的域独立规划师的度量和时间约束域之一。我们描述的技术细节提取的知识，并提出了一个实证评估目前实施的SAPA。
2011-06-26 cs.AI
Articulated Object Interaction in Unknown Scenes with Whole-Body Mobile Manipulation
ETH Zürich（苏黎世联邦理工学院）；Vector Institute（矢量研究院）；University of Toronto（多伦多大学）；NVIDIA（英伟达公司）
针对未知动态环境中移动操作器与大型铰接物体自主交互的难题，提出物体中心规划加智能体中心最优控制的两阶段架构，在轮式、腿式平台的厨房场景中实现了更高成功率与更短执行时间，并完成硬件验证。
2022-03-18 cs.AI cs.RO
Policy-Aware Model Learning for Policy Gradient Methods
University of Toronto（多伦多大学）；the Vector Institute（向量研究所）；Google Research（谷歌研究院）
研究了基于基于模型的强化学习（MBRL）中的模型学习问题。我们研究了MBRL算法的规划模块如何使用该模型，并建议模型学习模块应将规划者使用该模型的方式。这与传统的模型学习方法（例如基于最大似然估计的那些方法）形成对比，传统的模型学习方法在不明确考虑模型和规划器的交互的情况下学习环境的预测模型。我们专注于策略梯度类型的规划算法，并推导出新的损失函数的模型学习，将如何规划器使用的模型。我们称这种方法为策略感知模型学习（PAML）。理论上分析了一种通用的基于模型的策略梯度算法，并为优化后的策略提供了收敛性保证。我们还实证评估PAML的一些基准问题，显示出可喜的成果。
2021-01-04 cs.AI
Efficient Multi-agent Epistemic Planning: Teaching Planners About Nested Belief
School of Computing Queen’s University（女王大学计算机学院）；University of Edinburgh（爱丁堡大学）；Alan Turing Institute（艾伦图灵研究所）；Faculty of Computer Science University of Bozen-Bolzano（博岑-博尔扎诺大学计算机学院）；Department of Computer Science University of Toronto（多伦多大学计算机科学系）；School of Computing and Information Systems University of Melbourne（墨尔本大学计算与信息系统学院）
许多人工智能应用涉及多个自主智能体的交互，要求这些智能体推理自己的信念以及其他智能体的信念。然而，涉及嵌套信念的规划已知是计算上具有挑战性的。在这项工作中，我们解决的任务，合成计划，需要推理其他代理人的信念。我们计划从一个单一的代理人的角度来看，涉及嵌套的信念，非同质代理，共同存在的意见，并为一个代理人的能力，因为如果它是另一个潜在的目标和行动。我们正式描述我们的概念规划与嵌套的信念，并随后演示了如何自动转换成这样的问题，呼吁经典的规划技术有效地解决。我们的方法是一个重要的一步，应用成熟的自动规划领域的规划涉及嵌套的信念多个代理的挑战性任务。
2021-10-06 cs.AI
Optimal Integrated Task and Path Planning and Its Application to Multi-Robot Pickup and Delivery
IIT Kanpur（印度理工学院坎普尔分校）；Jupiter Money（木星金融）；MPI-SWS（马克斯·普朗克软件系统研究所）；Ericson Research（爱立信研究院）
本文提出融合最优任务规划与路径规划的多机器人机制，借助Z3求解SMT任务规划并扩展CBS-PC生成无碰撞轨迹，在仓库取放任务中优于现有经典规划器。
2024-03-02 cs.AI cs.MA cs.RO
What you get is what you see: Decomposing Epistemic Planning using Functional STRIPS
School of Computing
针对传统认知规划方法随问题规模增大计算不可行的问题，本文提出用Functional STRIPS建模，将认知公式推理委托给外部求解器，提升了模型灵活性与可扩展性，且能更简洁地表达问题。
2019-04-02 cs.AI
Leveraging Neural Network Gradients within Trajectory Optimization for Proactive Human-Robot Interactions
ETH Zurich（苏黎世联邦理工学院）；Stanford University（斯坦福大学）
为了实现无缝的人机交互，机器人需要在其运动规划过程中密切推理复杂的交互动力学和未来的人类行为。然而，有一个国家的最先进的神经网络为基础的人类行为模型和机器人运动规划之间的脱节-要么行为模型是有限的，在考虑下游规划或简化的行为模型是用来确保规划问题的易处理性。在这项工作中，我们提出了一个框架，融合在一起的解释性和灵活性的轨迹优化（TO）与国家的最先进的人类轨迹预测模型的预测能力。特别是，我们利用数据驱动的预测模型中的梯度信息，在基于梯度的TO问题中明确地推理人机交互动力学。我们证明了我们的方法在多智能体的情况下，机器人需要安全，高效地通过人群中多达10个行人导航的有效性。我们对各种规划方法进行了比较，并表明通过明确考虑规划器内的交互动态，我们的方法提供了更安全，更有效的行为，甚至产生积极主动和细致入微的行为，如等待行人通过移动之前。
2020-12-02 cs.AI cs.RO
Introducing Risk Shadowing For Decisive and Comfortable Behavior Planning
Honda Research Institute (HRI) Europe（本田欧洲研究院（HRI 欧洲））
针对城市驾驶群体交互问题，提出风险遮蔽态势理解方法，通过分析三智能体交互识别无需考虑的障碍物，作为规划更果断舒适的驾驶策略，在多种场景验证有效。
2023-07-20 cs.AI cs.RO cs.SY
One Diffusion Model, Two Roles: Guided Trajectory Planning and Safety-Critical Scenario Generation in Closed-Loop Simulation
KTH Royal Institute of Technology（皇家理工学院）；Zenseact AB（Zenseact公司）；Chalmers University of Technology（查尔姆斯理工大学）
该研究提出单个扩散交通模型可同时承担自动驾驶开发中轨迹规划与安全关键场景生成两种角色，通过SSDS扩散-Transformer解码器和DAPSE方案提升规划性能，生成的场景可评估规划器鲁棒性并暴露其故障模式。
2026-09-07 cs.AI cs.CV cs.LG
NSP: A Neuro-Symbolic Natural Language Navigational Planner
University of Florida（佛罗里达大学）；Florida International University（佛罗里达国际大学）
针对自然语言路径规划中符号方法难处理自由文本、神经方法缺性能保障的问题，提出神经符号框架NSP，结合LLM推理与符号规划及反馈自校正，有效路径率达90.1%且路径更短。
2024-09-13 cs.AI cs.CL cs.HC
Learning Interaction-aware Guidance Policies for Motion Planning in Dense Traffic Scenarios
Delft University of Technology（代尔夫特理工大学）
在密集交通场景中的自主导航对于自动驾驶汽车（AV）来说仍然具有挑战性，因为其他驾驶员的意图无法直接观察，并且AV必须处理各种驾驶行为。为了在密集的交通中机动，自动驾驶汽车必须能够推理他们的行为如何影响他人（交互模型），并利用这种推理安全地在密集的交通中导航。本文提出了一种新的框架，在密集的交通场景中的交互感知运动规划。我们探讨了人类驾驶行为与其相互作用时的速度变化之间的联系。因此，我们建议通过深度强化学习（RL）来学习一种交互感知策略，该策略为基于优化的规划器提供关于其他车辆合作性的全局指导，以通过约束满足确保安全性和运动学可行性。学习的策略可以推理并引导具有交互行为的基于局部优化的规划器在密集交通中主动合并，同时在其他车辆不屈服的情况下保持安全。我们提出了定性和定量的结果，在高度互动的模拟环境（高速公路合并和无保护的左转）对两个基线的方法，基于学习和基于优化的方法。实验结果表明，与基于学习和基于优化的基线相比，该方法显著减少了碰撞次数，提高了成功率。
2021-07-09 cs.AI cs.RO
World Models as Adversaries: Multi-Agent Self-Play Fine-Tuning for Robust Motion Planning
The Hong Kong Polytechnic University（香港理工大学）；Tongji University（同济大学）；McGill University（麦吉尔大学）；Mila-Quebec AI Institute（米拉-魁北克人工智能研究所）
研究在密集交通中自动驾驶车辆鲁棒运动规划问题，提出对抗世界建模（AWM）框架，通过多智能体自我博弈微调，引入解耦求解器，经实验验证该方法能生成可转移对抗交互，使规划器在多种场景有竞争力。
2026-11-06 cs.AI cs.RO
World-aware Planning Narratives Enhance Large Vision-Language Model Planner
Fudan University（复旦大学）；Shanghai Innovation Institute（上海创新研究院）；Shanghai AI Laboratory（上海人工智能实验室）
本文提出世界感知规划叙事增强框架WAP，通过四种认知能力为LVLMs注入环境理解，在EB-ALFRED上使Qwen2.5-VL任务成功率大幅提升，并超越GPT-4o等专有模型。
2025-07-02 cs.AI cs.RO
Reason-Plan-ReAct: A Reasoner-Planner Supervising a ReAct Executor for Complex Enterprise Tasks
RP-ReAct通过分离战略规划与低层执行，提升企业复杂任务处理的可靠性和效率。
2025-12-03 cs.AI cs.MA
Plug-and-Play Policy Planner for Large Language Model Powered Dialogue Agents
National University of Singapore（新加坡国立大学）；The Chinese University of Hong Kong（香港中文大学）
针对大语言模型对话策略规划能力受限、难迁移的问题，提出即插即用策略规划器PPDPP，通过监督微调与目标导向强化学习训练，在三类主动对话任务上显著优于现有方法。
2024-03-11 cs.AI cs.CL
Bootstrap Off-policy with World Model
College of AI & School of Vehicle and Mobility, Tsinghua University（人工智能学院与车辆与移动系统学院，清华大学）；Berkeley AI Research (BAIR), UC Berkeley（伯克利人工智能研究（BAIR），加州大学伯克利分校）
BOOM通过整合规划与离策略学习，利用世界模型和无参数动作分布提升策略性能，在高维控制任务中实现训练稳定性和最终性能的突破。
2026-01-15 cs.AI cs.LG cs.RO
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
FlowDrive: moderated flow matching with data balancing for trajectory planning
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；FZI Research Center for Information Technology（弗劳恩霍夫信息技术研究中心）
FlowDrive通过数据平衡和流量匹配技术，提升轨迹规划在稀有场景下的性能，实现最先进的规划效果。
2026-11-04 cs.AI cs.LG cs.RO
Query-Efficient Planning with Language Models
Cornell University（康奈尔大学）
该研究提出两种利用大语言模型实现查询高效规划的竞争框架，经Robotouille和PDDL基准测试验证，生成式规划器框架交互次数更少、策略调整更快，均优于同类基线。
2024-12-09 cs.AI cs.CL
Socially intelligent task and motion planning for human-robot interaction
UC San Diego（加州大学圣地亚哥分校）
作为社会人，许多人的行为是基于社会背景-周围的社会状态，包括文化规范，社会信号，个人偏好等，在本文中，我们提出了一个社会意识的任务和运动规划算法，认为社会背景下产生适当的和有效的计划，在人类社会环境（HSEs）。我们所提出的方法的关键优势在于，它明确地模拟了潜在的行动不仅影响客观成本，而且还改变了它计划和行动的社会背景。我们研究策略，以限制我们的算法的复杂性，使我们的计划将保持易于处理的移动平台在复杂的HSE，如医院和工厂。规划者还将考虑其任务的相对重要性和紧迫性，以确定何时违反社会期望以实现其目标。这种社会意识将使机器人了解社会的基本规则：仅仅因为某些事情使你的工作更容易，并不意味着它是正确的事情！据我们所知，所提出的工作是第一个任务和运动规划方法，支持社会智能机器人政策的HSEs。通过这项正在进行的工作，机器人将能够理解，尊重和利用社会背景，在HSE中完成可接受和有效的任务。
2020-01-23 cs.AI cs.RO
Akule: Fast and Scalable Multi-Robot Motion Planning via Sparse Interaction Diffusion
Akule是一种稀疏交互扩散框架，通过三个学习模块实现快速可扩展多机器人运动规划，在基准测试中获高成功率、25倍加速，支持256个机器人规划。
2026-10-14 cs.AI cs.MA cs.RO
RealDrive: Retrieval-Augmented Driving with Diffusion Models
NVIDIA Research（NVIDIA研究部）；University of Wisconsin – Madison（威斯康星大学麦迪逊分校）；Stanford University（斯坦福大学）
提出 RealDrive 检索增强生成框架，通过检索专家演示初始化扩散规划策略，利用任务相关检索器提升长尾事件泛化与轨迹多样性，在 Waymo 数据集上碰撞率降低 40%。
2025-05-30 cs.AI cs.RO
Wake-Informed 3D Path Planning for Autonomous Underwater Vehicles Using A* and Neural Network Approximations
Centre for Defence Engineering, Research and Training (CDERT), Flinders University（国防工程研究与培训中心（CDERT）、弗林德斯大学）；Maritime Engineering, Faculty of Engineering and Physical Sciences, University of Southampton（海洋工程系，工程与物理科学学院，南安普顿大学）
针对AUV在复杂水下环境尤其是近距作业中尾流带来的能耗与安全问题，提出融合尾流与洋流的三维路径规划方法，构建两种A*规划器及神经网络近似模型，验证了尾流纳入的能效提升作用与NN的实时性优势。
2025-05-29 cs.AI cs.LG cs.RO
OmniEVA: Embodied Versatile Planner via Task-Adaptive 3D-Grounded and Embodiment-aware Reasoning
Huawei Noah’s Ark Lab（华为诺亚实验室）
OmniEVA通过任务自适应3D grounding和具身aware推理，解决具身系统中几何适应性和具身约束的限制，实现先进的具身推理和任务规划。
2026-01-28 cs.AI cs.CL cs.CV
A taxonomy of strategic human interactions in traffic conflicts
University of Waterloo（滑铁卢大学）
为了使自动驾驶汽车（AV）能够在繁忙的交通状况下导航，近年来，人们一直关注用于自动驾驶汽车战略行为规划的博弈论模型。然而，缺乏共同的分类阻碍了更广泛的理解模型生成的策略，以及安全规范的发展，以确定什么策略是安全的AV执行。基于交通冲突中常见的互动模式，我们开发了一个分类的战略互动沿代理的初始响应权的方式规则和随后的响应其他代理的行为的维度。此外，我们展示了自动映射的过程中产生的战略规划师的分类类别，车辆和车辆-行人的互动模拟的基础上，我们评估两个流行的解决方案的概念，用于战略规划中的AV，QLk和子游戏完美$ε$ -纳什均衡，相对于这些类别。
2021-09-29 cs.AI cs.GT
Exploring Plan Space through Conversation: An Agentic Framework for LLM-Mediated Explanations in Planning
IRIT, Toulouse, France（法国图卢兹计算机科学研究所）；LAAS-CNRS, Toulouse, France（法国国家科学研究中心图卢兹系统分析与架构实验室）；IRT Saint Exupery, Toulouse, France（法国图卢兹圣埃克苏佩里技术研究所）；CNRS, Toulouse, France（法国国家科学研究中心）；Australian National University, Canberra, Australia（澳大利亚国立大学）
本文提出一种代理框架，通过对话帮助用户理解规划解决方案，提升系统信任度，通过目标冲突解释进行用户研究。
2026-07-07 cs.AI cs.CL cs.HC
Coding Agents for Generalized Task and Motion Planning Problems
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；Carnegie Mellon University（卡内基梅隆大学）；Princeton University（普林斯顿大学）；University of Cambridge（剑桥大学）
本文研究编码智能体能否通过合成程序自动化广义任务与运动规划，实验表明其成功率优于手工规划器，且计算量低一个数量级。
2026-09-25 cs.AI cs.RO
Shift & Drift: A Zero-Shot Benchmark for Generalizable and Robust Autonomous Driving Motion Planning
Mercedes-Benz AG, Research & Development（梅赛德斯-奔驰股份公司，研发部）；University of Tübingen（图宾根大学）；Karlsruhe Institute of Technology, ITIV（卡尔斯鲁厄理工学院，ITIV）
研究自动驾驶运动规划器在新城市拓扑泛化及执行扰动恢复方面的不足，提出Shift & Drift双轨基准测试，通过语义转移和状态分布漂移测试不同规划范式，发现模仿学习与强化学习在性能上的差异，为评估可靠部署提供基准。
2026-07-10 cs.AI cs.LG cs.RO
Get Back Here: Robust Imitation by Return-to-Distribution Planning
Google Research（谷歌研究院）；ETH（苏黎世联邦理工学院）
针对模仿学习中专家数据与部署环境存在分布偏移的问题，提出结合行为克隆与返回分布规划器的POIR算法，可离线训练并在线微调，实验验证其在机器人操作任务中对分布偏移和噪声动力学具鲁棒性。
2023-05-02 cs.AI cs.LG cs.RO
Compositional Learning-based Planning for Vision POMDPs
UC Berkeley（加州大学伯克利分校）；CU Boulder（科罗拉多大学博尔德分校）；Google Research（谷歌研究院）
部分可观测马尔可夫决策过程（POMDP）是一个强大的框架，用于捕获涉及状态和转移不确定性的决策问题。然而，大多数当前POMDP规划者不能有效地处理现实世界应用中普遍存在的高维图像观测，并且通常需要与环境交互的冗长的在线培训。在这项工作中，我们提出了视觉树搜索（VTS），组合学习和规划过程，结合生成模型离线学习与在线基于模型的POMDP规划。深度生成观测模型评估蒙特卡罗树搜索规划器中的可能性并预测未来图像观测。我们证明了VTS对训练过程中不存在的不同类型的图像噪声具有鲁棒性，并且可以适应不同的奖励结构，而无需重新训练。这种新方法显著且稳定地优于几种基线最先进的视觉POMDP算法，同时使用一小部分训练时间。
2022-12-03 cs.AI cs.LG cs.RO
