On the Prospects of Incorporating Large Language Models (LLMs) in Automated Planning and Scheduling (APS)
University of South Carolina（南卡罗来纳大学）；New Mexico State University（新墨西哥州立大学）；University of Brescia（布雷西亚大学）；IBM Research（IBM研究院）
本文综述126篇论文，将LLM在自动规划与调度中的应用归纳为八类，指出其与传统符号规划器结合的神经符号方向最具潜力。
2024-01-20 cs.AI
On-line Planning and Scheduling: An Application to Controlling Modular Printers
University of New Hampshire（新罕布什尔大学）；Palo Alto Research Center（帕洛阿尔托研究中心）
我们提出了一个案例研究的人工智能技术应用于生产印刷设备的控制。像许多其他现实世界的应用程序一样，这个复杂的领域需要高速自主决策和强大的连续操作。据我们所知，这项工作是第一次成功的工业应用嵌入式域独立的时间规划。我们的系统处理执行失败和多目标偏好。其核心是一个在线算法，结合了状态空间规划和偏序调度技术。我们认为，这种一般的架构可能会证明在其他应用程序中更智能的系统在连续的，在线设置中的有用。我们的系统已用于驱动多个商业原型，并为我们的工业合作伙伴提供了新的产品架构。与最先进的离线规划器相比，我们的系统速度快数百倍，并且经常找到更好的计划。我们的经验表明，基于启发式搜索的独立于领域的人工智能规划可以在高速实际应用中灵活地处理时间、资源、重新规划和多个目标，而不需要手工编码的控制知识。
2014-01-16 cs.AI
Planning in Strawberry Fields: Evaluating and Improving the Planning and Scheduling Capabilities of LRM o1
本文评估了 OpenAI o1 系列大型推理模型在规划与调度任务上的能力，发现其相比自回归 LLM 有显著提升但推理成本高且缺乏正确性保证，并提出结合外部验证器的 LRM-Modulo 系统以同时保证输出正确性并提升性能。
2024-10-03 cs.AI
Time-interval balancing in multi-processor scheduling of composite modular jobs (preliminary description)
Inst. for Inform. Transmission Problems, Russian Academy of Sciences（俄罗斯科学院信息传输问题研究所）
本文描述了组合模块作业多处理机调度中的一种特殊的时间间隔平衡。这种调度问题是接近准时计划的方法。首先，简要的文献调查提出了准时调度和交货期数据/交货期窗口调度问题。在此基础上，提出了组合模块化工件的时间间隔均衡调度问题及其形式。说明性的现实世界的规划模块化住宅建设的例子进行了描述。在这里，主要的目标函数包括典型建筑模块（细节）的生产和建筑的组装过程（由几个团队）之间的平衡。必须修改装配计划以满足平衡要求。求解框架基于以下内容：（i）聚类初始模块化细节类型集合以获得对应于主要制造输送机的大约10个基本细节类型;（ii）设计用于建筑物的装配的初步计划;（iii）检测不平衡的时间段;（iv）修改计划解决方案以改善进度平衡。该框架实现了基于局部优化方法的元启发式。另外两个应用（供应链管理，信息传输系统）进行了简要说明。
2018-11-11 cs.AI
TPS-Bench: Evaluating AI Agents' Tool Planning \& Scheduling Abilities in Compounding Tasks
Shanghai Jiaotong University（上海交通大学）
本文提出TPS-Bench基准，评估LLM智能体在复合任务中的工具规划与调度能力，发现主流模型在调度效率上存在差异，并验证强化学习能有效提升调度效率与任务完成率。
2025-11-03 cs.AI
WORKSWORLD: A Domain for Integrated Numeric Planning and Scheduling of Distributed Pipelined Workflows
本文提出WORKSWORLD领域，用于永久调度工作流的数值无关规划器，通过定义数据源、组件和目标，解决联合规划与调度问题，实验证明在普通硬件上可处理最多14个组件的线性链工作流。
2026-03-18 cs.AI cs.DC
Interleaving Scheduling and Motion Planning with Incremental Learning of Symbolic Space-Time Motion Abstractions
本文提出一种交织调度与运动规划的增量学习框架，用于多物体共享空间的调度与运动规划，通过符号时空运动抽象提升复杂时空约束下的执行效率。
2026-03-19 cs.AI cs.RO
Solving Integrated Process Planning and Scheduling Problem via Graph Neural Network Based Deep Reinforcement Learning
Shanghai University of Finance and Economics（上海财经大学）；Cardinal Operations；Shanghai Jiao Tong University（上海交通大学）
本文提出一种端到端深度强化学习方法，将IPPS建模为MDP并用异构图神经网络捕捉操作、机器与作业关系，结合PPO优化调度策略，在大规模实例中显著提升求解效率与质量。
2024-09-02 cs.AI cs.LG math.OC
Metaheuristics for the operating theater planning and scheduling: A systematic review
Telfer School of Management, University of Ottawa（渥太华大学泰尔弗管理学院）
关于手术室计划与调度问题的研究已有大量的文献。这个问题的不同变体通常被认为是NP完全的，因此，在文献中已经使用了几种解决方法来面对这些复杂的问题。缺乏一个彻底的审查解决方案的方法的主要特点是有形的文献（审查他们单独和关于研究问题的特点），这可以提供务实的指导方针，为从业者和未来的研究项目。本文旨在解决这一问题。由于不同类型的解决方案通常有不同的特点，本文只侧重于元启发式算法。通过自动和手动检索方法，我们选择和审查了28篇论文的主要问题和解决方法的特点。最后，对未来的研究方向进行了展望。
2020-08-11 cs.AI math.OC
The cyclic job-shop scheduling problem: The new subclass of the job-shop problem and applying the Simulated annealing to solve it
Novosibirsk State Technical University（新西伯利亚国立技术大学）
本文介绍了一种求解排序问题的新方法。该方法处理的问题，规划的周期性生产，并建议考虑这样的调度问题的顺序为k，其中k是数量的循环job-shop问题。已经发现，仅规划循环的一次迭代不如规划整个循环有效。在实验研究中，使用运筹学库中的Job-shop调度问题的多个测试实例。采用模拟退火算法对实例进行求解。实验证明，该方法可以提高循环调度的效率显着。
2020-06-19 cs.AI cs.NE
ScheduleStream: Temporal Planning with Samplers for GPU-Accelerated Multi-Arm Task and Motion Planning & Scheduling
NVIDIA Research Seattle Robotics Lab (SRL)（NVIDIA西雅图机器人实验室）；University of Sydney（悉尼大学）
提出ScheduleStream，首个通用框架，通过混合持续动作和领域无关算法，结合GPU加速采样器，实现多臂并行任务与运动规划及调度。
2026-05-28 cs.AI cs.MA cs.RO
A mathematical model for simultaneous personnel shift planning and unrelated parallel machine scheduling
University of Victoria（维多利亚大学）
本文针对人员数量少于机器数量的不相关并行机调度问题，提出一种混合整数线性规划模型和两步求解方法，通过最大化接受作业数并最小化生产时间，在合成实例和食品加工厂真实案例中验证了模型在人员排班与生产调度中的有效性。
2024-02-24 cs.AI cs.DM
Planning, Scheduling, and Behavior in EV Charging Systems: A Critical Survey and Trilemma Framework
The College of William \& Mary, Williamsburg, VA, USA；University of Georgia, Athens, GA, USA；University of Louisville, Louisville, KY, USA
本文综述了电动汽车充电系统中规划、调度和行为三个层面的研究，提出了三重困境框架，揭示了在追求高保真度时面临的可计算性与现实整合之间的权衡问题。
2026-05-20 cs.AI cs.MA
AI-Driven Risk-Aware Scheduling for Active Debris Removal Missions
Université Paris-Saclay（巴黎萨克雷大学）；CentraleSupélec（中央理工-高等电力学院）
本文提出一种基于深度强化学习的自主决策规划模型，用于轨道转移飞行器的最优碎片清除序列规划，使智能体能在动态轨道条件下自主更新计划并处理高碰撞风险碎片。
2024-09-25 cs.AI
Policy-Based Reinforcement Learning with Action Masking for Dynamic Job Shop Scheduling under Uncertainty: Handling Random Arrivals and Machine Failures
South Westphalia University of Applied Sciences（西南弗劳恩霍夫应用科学大学）
本文提出了一种结合可解释Petri网模型与自适应强化学习策略的动态作业车间调度方法，通过行动掩码策略有效应对随机到达和机器故障问题，提升调度的鲁棒性和可解释性。
2026-01-14 cs.AI
Capacity Planning and Scheduling for Jobs with Uncertainty in Resource Usage and Duration
AI Research（AI研究）；J.P. Morgan（摩根大通）；CIB Athena Applied Intelligence（CIB Athena应用智能）
本文针对本地网格计算环境中的作业容量规划与调度问题，提出基于确定性估计器和配对采样约束规划的近似方法，以同时最小化资源使用并保证服务质量，在金融行业资源使用和作业时长不确定条件下显著降低峰值资源使用。
2025-07-21 cs.AI cs.DC
WebUncertainty: Dual-Level Uncertainty Driven Planning and Reasoning For Autonomous Web Agent
Hefei University of Technology（合肥工业大学）；Academy of Cyber, CETC Group（中国电子科技集团 Cyber 学院）
本文提出WebUncertainty框架，通过双层不确定性驱动的自适应规划和蒙特卡洛树搜索机制，提升自主网络代理在动态交互和长周期任务中的规划与推理能力。
2026-04-21 cs.AI
HyP-DESPOT: A Hybrid Parallel Algorithm for Online Planning under Uncertainty
不确定性下的规划是机器人在不确定、动态环境中实现鲁棒性能的关键，但其计算代价很高。最先进的在线搜索算法，如DESPOT，大大提高了不确定性下规划的计算效率，使其成为机器人实践中的一个有价值的工具。这项工作通过利用CPU和GPU并行化更进一步，以便为具有大型状态，动作和观察空间的复杂任务实现近实时在线规划性能。具体来说，我们提出了混合并行DESPOT（HyP-DESPOT），一个大规模并行在线规划算法，集成了CPU和GPU的并行性在一个多层次的计划。它通过使用多核CPU同时遍历多个独立路径来执行并行DESPOT树搜索，并使用GPU在搜索树的叶节点处执行并行Monte-Carlo模拟。实验结果表明，HyP-DESPOT加快了高达几百倍的在线规划，与原来的DESPOT算法相比，在几个具有挑战性的机器人任务的仿真。
2018-02-17 cs.AI
Optimal Route Planning with Prioritized Task Scheduling for AUV Missions
提出了一种自主式水下机器人（AUV）大规模航路规划与任务分配联合问题的解决方案。给定一组约束条件（例如，时间）和一组任务优先级值，目标是在满足给定约束条件下，找到最大优先级和最小总风险百分比的水下任务最优路径。利用遗传算法和群体智能算法在求解NP-难图问题中的启发式特点，采用粒子群优化算法（PSO）和遗传算法（GA）求解最优解，种群中的每一个体都是一个候选解（路径）。为了评估所提出的方法的鲁棒性，所有的PS和GA算法的性能进行了检查和比较的Monte Carlo运行的数量。仿真结果表明，两种算法生成的航迹可行、可靠，可用于水下运动规划。然而，基于GA的路线规划产生优越的结果相比，从基于PSO的路线规划获得的结果。
2016-04-12 cs.AI cs.RO
Planning under Continuous Time and Resource Uncertainty: A Challenge for AI
NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）；QSS Group Inc.（QSS集团公司）
我们概述了一类问题，典型的火星漫游者的操作，是有问题的，目前的规划方法下的不确定性。现有的方法失败，因为他们遭受一个或多个以下限制：1）他们依赖于非常简单的行动和时间模型，2）他们假设不确定性表现在离散的行动结果，3）他们只适用于非常小的问题。对于许多现实世界的问题，这些假设并不成立。特别是，当计划火星漫游者的活动时，上述假设都是无效的：1）动作可以是并发的，并且具有不同的持续时间，2）关于动作持续时间和连续资源（如电力）的消耗存在不确定性，以及3）典型的日常计划涉及大约一百个动作。这类问题可能是特别感兴趣的UAI社区，因为经典的和决策理论的规划技术可能是有用的，在解决it.We描述的流动站问题，讨论以前的工作规划下的不确定性，并提出了一个详细的，但非常小的例子说明了一些困难，找到好的计划。
2012-12-12 cs.AI
Qualitative Probabilistic Networks for Planning Under Uncertainty
MIT Laboratory for Computer Science（麻省理工学院计算机科学实验室）
贝叶斯网络为关于可能性的定性断言提供了概率语义。基于这些断言的代数的定性推理器可以得出关于动作的影响的进一步结论。虽然这些结论比从完全概率分布中计算出来的结论要弱得多，但它们对于建议潜在的行动、消除明显较差的计划、识别重要的权衡和解释概率模型仍然很有价值。
2013-03-27 cs.AI
High Level Path Planning with Uncertainty
University of British Columbia（不列颠哥伦比亚大学）
对于高层次的路径规划，环境通常被建模为距离图，路径规划问题归结为计算距离图中的最短路径。这种建模的一个主要缺点是无法对实践中经常遇到的不确定性进行建模。在本文中，一个新的工具，称为U-young，提出了环境建模。U-图是距离图的扩展，具有处理一种不确定性的能力。通过将不确定环境建模为U图，将导航问题建模为马尔可夫决策过程，可以精确地定义一个新的导航计划最优性准则，更重要的是，可以给出一个计算导航任务最优计划的通用算法。
2013-03-20 cs.AI
Real-time scheduling of renewable power systems through planning-based reinforcement learning
Tsinghua University（清华大学）；State Grid Corporation of China（国家电网有限公司）；National Power Dispatching and Control Center（国家电力调度控制中心）；China Electric Power Research Institute（中国电力科学研究院）
不断增长的可再生能源对传统的电力调度提出了重大挑战。运营商很难获得准确的可再生能源发电的前一天预测，从而要求未来的调度系统做出与超短期预测一致的实时的【形】调度决策。受计算速度的限制，传统的基于优化的方法无法解决这一问题。强化学习（RL）的最新发展已经证明了解决这一挑战的潜力。然而，现有的强化学习方法在约束复杂度、算法性能和环境保真度方面存在不足。我们是第一个基于最先进的强化学习算法和真实电网环境提出系统解决方案的公司。所提出的方法使规划和更精细的时间分辨率调整发电机，包括单位承诺和经济调度，从而提高电网的能力，接纳更多的可再生能源。训练有素的调度代理显着减少可再生能源削减和负荷削减，这是传统调度依赖于不准确的前一天预测所产生的问题。高频控制决策利用了现有机组的灵活性，减少了电网对硬件改造的依赖，节省了投资和运营成本，实验结果表明。这项研究展示了强化学习在促进低碳和智能电力系统方面的潜力，并代表了可持续发电的坚实一步。
2023-03-13 cs.AI cs.LG cs.SY
Monte Carlo Tree Search Satellite Scheduling Under Cloud Cover Uncertainty
Department of Mathematics and Computer Science（数学与计算机科学系）；Royal Military College of Canada（加拿大皇家军事学院）
针对云层覆盖等不确定条件下的多卫星采集调度问题（m-SatCSP），本文利用蒙特卡洛树搜索（MCTS）算法进行任务调度，经超参数调优后，在求解质量和效率上均优于现有方法，为动态环境中的卫星调度提供了有效方案。
2024-05-31 cs.AI cs.SY eess.SY
Learning to Solve Resource-Constrained Project Scheduling Problems with Duration Uncertainty using Graph Neural Networks
Jolibrain（焦利布朗）；DTIS/ONERA, Université de Toulouse, France（DTIS/ONERA、图卢兹大学、法国）
针对任务工期不确定的资源受限项目调度问题，结合图神经网络与深度强化学习开发调度策略，生成可复用基准调度，在标准基准上性能和泛化性优越，框架已公开。
2025-11-17 cs.AI cs.LG
Improving non-deterministic uncertainty modelling in Industry 4.0 scheduling
Carnegie Mellon University（卡内基梅隆大学）；Netaji Subhas University of Technology（内塔吉·苏巴斯理工大学）；ZS Associates（ZS咨询公司）
最新的工业革命帮助工业实现了非常高的生产率和效率。它采用了数据汇总和网络物理系统，以优化规划和调度。尽管如此，环境的不确定性和人类操作员的不精确性并没有被准确地考虑到决策过程中。这就导致了合同的延误和预算估计的不准确。工业模式中的这种普遍做法是有缺陷的，需要纠正。各种其他文章已经通过随机或模糊集模型方法来解决这个问题。本文提出了一种综合的方法来逻辑和现实量化的非确定性的不确定性，通过概率不确定性建模。该方法适用于几乎所有的工业数据集，因为该模型是自调整的，并使用ε污染来满足有限或不完整的数据集。通过在比利时佛兰德斯的工业数据集的结果进行数值验证。通过这种强大的调度方法获得的数据驱动结果说明了性能的改进。
2021-01-08 cs.AI stat.AP stat.OT
Simulated annealing based heuristic for multiple agile satellites scheduling under cloud coverage uncertainty
School of Astronautics, Beihang University（北京航空航天大学宇航学院）；School of Traffic and Transportation Engineering, Central South University（中南大学交通运输工程学院）
针对云层覆盖不确定性下多颗敏捷地球观测卫星的调度收益最大化问题，首次结合机会约束规划与样本近似处理不确定性，提出融合快速插入策略的改进模拟退火启发式算法，经实验验证其效率与效果均优于其他算法。
2021-07-07 cs.AI eess.SP physics.space-ph
Planning and Scheduling in Digital Health with Answer Set Programming
University of Genoa（热那亚大学）
在医院的世界里，有几个复杂的组合问题，解决这些问题对于提高病人的满意度和提供的护理质量是很重要的。医疗保健中的问题是复杂的，因为要解决这些问题，应考虑到几个限制因素和不同类型的资源。此外，解决方案必须在很短的时间内进行评估，以确保在实际场景中的可用性。我们计划提出这些问题的解决方案，既扩大已经测试的解决方案，并通过建模解决新的问题，考虑到文献和使用真实的数据时，可用。解决这类问题很重要，但由于欧盟委员会制定了《通用数据保护条例》，规定每个人都有权要求解释人工智能做出的决定，如果不开发解释性方法，基于人工智能的解决方案（例如基于答案集编程的解决方案）的使用将受到限制。因此，研究的另一部分将致力于研究和提出新的方法来解释所获得的解决方案。
2022-08-05 cs.AI cs.LO
Improving Confidence in Evolutionary Mine Scheduling via Uncertainty Discounting
Maptek Pty. Ltd（Maptek私人有限公司）；The University of Adelaide（阿德莱德大学）
本文提出在进化矿山排产中引入不确定性折现机制，以概率界限刻画各周期利润，牺牲单一模型最优性来降低下行风险，并在 Maptek Evolution 上验证了其有效性。
2023-05-29 cs.AI cs.NE
Capacity-Aware Planning and Scheduling in Budget-Constrained Multi-Agent MDPs: A Meta-RL Approach
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对预算和容量受限的多智能体MDP，提出基于LSAP分组与元训练PPO的两阶段方法，在工业机器人维修调度中有效提升平均正常运行时间并具备可扩展性。
2025-09-26 cs.AI cs.LG
Bi-objective chance-constrained evolutionary optimization for large-scale open-pit mine scheduling under geological uncertainty
Optimisation and Logistics, School of Computer and Mathematical Sciences, The University of Adelaide（优化与物流系，计算机与数学科学学院，阿德莱德大学）
针对露天矿调度问题（OPMSP）的地质不确定性问题，提出独立于置信水平的双目标进化优化方法，通过领域特定算子集成三种算法，在含112687块的矿床实验中实现经济价值与风险的更优权衡。
2026-10-06 cs.AI cs.NE
Modeling Human Temporal Uncertainty in Human-Agent Teams
Human Experience and Agent Teamwork Lab（人类体验与智能体团队合作实验室）；Harvey Mudd College（哈维穆德学院）
自动化调度是一个非常有用的工具，可以促进机器人和人类队友之间高效、直观的互动。然而，目前的差距自动调度是，它不是很好地理解如何最好地表示人类队友引入的时间不确定性。本文试图通过设计一个在线人机协作包装游戏来解决这个问题，我们使用这个游戏来构建一个来自人群工作者的人类时间不确定性模型。我们的结论是，重尾分布是人类时间不确定性的最佳模型，对数正态分布实现了我们的实验数据的最佳拟合。我们讨论了这些结果以及我们的协作在线游戏将如何通知和促进未来的探索调度，以提高人类机器人的流畅性。
2020-10-09 cs.AI cs.RO
Reinforcement and Deep Reinforcement Learning-based Solutions for Machine Maintenance Planning, Scheduling Policies, and Optimization
University of Victoria（维多利亚大学）
本文综述了强化学习与深度强化学习在机器维护计划与优化中的应用，通过构建分类法对文献进行系统分类和总结，并指出研究空白与未来方向。
2023-07-07 cs.AI cs.LG
A Maximum Independent Set Method for Scheduling Earth Observing Satellite Constellations
Stanford University（斯坦福大学）
运行地球观测卫星需要协调多个航天器活动的有效规划方法。卫星任务规划问题需要选择最能满足任务目标的自主执行行动。任务调度通常由人工操作员在启发式或基于规则的规划工具的帮助下执行。这种方法不能有效地扩展到多个资产，因为物流经常无法在长期内适当地协调多个车辆的动作。此外，对于大型星座，问题变得更加难以解决，因为问题的复杂性在所请求的观测数量上呈指数级变化，在航天器数量上呈线性变化。预计新的商业光学和雷达成像星座将需要自动规划方法，以满足规定的响应能力和吞吐量目标。本文介绍了一种新的方法来解决卫星调度问题，通过生成一个基于不可行性的图表示的问题，并找到一个最大的独立集的顶点图。该方法是测试的场景多达10,000个请求成像位置的天空卫星星座的光学卫星，以及模拟星座多达24颗卫星。性能与当代图遍历和混合整数线性规划方法进行比较。实证结果表明，改进的解决方案的时间以及预定的集合超过基线方法的数量。对于大型问题，最大独立集方法能够找到一个可行的时间表，在75%的时间内收集8%以上。
2020-08-15 cs.AI cs.SY eess.SY
Uncertainty as a Planning Signal: Multi-Turn Decision Making for Goal-Oriented Conversation
The Ohio State University（俄亥俄州立大学）
本文提出CUP框架，通过结合语言模型与结构化规划，解决目标导向对话中不确定性与信息获取之间的平衡问题，提升对话成功率并减少交互轮次。
2026-08-13 cs.AI cs.CL
Optimizing Job Shop Scheduling in the Furniture Industry: A Reinforcement Learning Approach Considering Machine Setup, Batch Variability, and Intralogistics
Faculty of Wood Technology and Construction（木材技术与建筑学院）；Rosenheim Technical University of Applied Sciences（罗森heim应用技术大学）；Center for Research, Development and Transfer（研究、开发与转让中心）；Faculty of Management and Engineering（管理与工程学院）
本文提出一种深度强化学习模型，扩展传统作业车间调度以涵盖机器设置、批次变异和内部物流，通过两种集成策略优化家具行业的生产调度效率与准确性。
2024-09-18 cs.AI cs.LG cs.SY
Agent JIT Compilation for Latency-Optimizing Web Agent Planning and Scheduling
Stanford University（斯坦福大学）
提出Agent即时编译系统，通过JIT-Planner生成代码计划、JIT-Scheduler探索并行化策略及不变式工具协议，显著降低延迟并提高准确性。
2026-05-29 cs.AI cs.LG
Risk-averse Behavior Planning for Autonomous Driving under Uncertainty
Qualcomm AI Research（高通人工智能研究院）；Qualcomm Automotive Research（高通汽车研究院）
自动驾驶车辆必须在周围环境中导航，并具有共享道路的其他物体的部分可观测性。自动驾驶车辆测量中的不确定性来源包括传感器融合误差、由于天气或目标检测延迟而导致的有限传感器范围、遮挡以及诸如其他人类驾驶员意图之类的隐藏参数。行为规划必须考虑所有来源的不确定性，在决定未来的车辆操纵。本文提出了一个可扩展的框架，风险规避行为规划下的不确定性，结合QMDP，无迹变换和蒙特卡罗树搜索（MCTS）。结果表明，置信上限（UCB）扩大树的结果在嘈杂的Q值估计的MCTS和QMDP的性能下降。提出了一种改进的MCTS动作选择过程，以实现鲁棒性能。
2018-12-04 cs.AI cs.RO
RobotFleet: An Open-Source Framework for Centralized Multi-Robot Task Planning
本文提出开源框架RobotFleet，利用LLM进行集中式多机器人任务规划与调度，通过模块化自主技术栈和容器化服务抽象，降低构建可扩展异构多机器人系统的门槛。
2025-10-12 cs.AI cs.MA cs.RO
Graduated Fidelity Lattices for Motion Planning under Uncertainty
Centro Singular de Investigación en Tecnoloxías da Información (CiTIUS)（信息技术卓越研究中心（CiTIUS））；Universidade de Santiago de Compostela（圣地亚哥德孔波斯特拉大学）
提出了一种基于状态格的移动机器人运动规划新方法。碰撞概率的可靠估计考虑到机器人的形状，和保真度适应环境的复杂性，提高规划效率，同时保持性能。安全和最优路径发现的知情搜索算法，提出了一种新的多分辨率启发式。不同的场景和机器人形状的结果，显示所提出的方法的有效性。
2019-05-31 cs.AI cs.RO
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
Towards Reliable LLM-based Robot Planning via Combined Uncertainty Estimation
School of Artificial Intelligence, Henan University of Technology（河南工业大学人工智能学院）；Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究所）
本文提出CURE方法，通过分解认知与内在不确定性并细分认知不确定性，利用随机网络蒸馏和MLP回归头估计不确定性，在厨房操作和桌面重排实验中验证了其与实际执行结果更紧密的对齐。
2025-10-09 cs.AI cs.RO
Calibrated Uncertainty for Informative Path Planning in Aquatic Environmental Monitoring
University of Sevilla（塞维利亚大学）
本研究针对水生环境监测中的信息路径规划，提出用深度集成替代高斯过程以提供校准的不确定性，实验表明该方法将重建误差降低83%，且蒙特卡洛树搜索在低计算成本下达到最优规划性能。
2026-10-07 cs.AI cs.IR
A Negotiation-Based Multi-Agent Reinforcement Learning Approach for Dynamic Scheduling of Reconfigurable Manufacturing Systems
Industrial and Systems Engineering Department, Oakland University（奥克兰大学工业与系统工程系）
针对可重构制造系统（RMS）动态调度需求，提出基于协商的多智能体强化学习（MARL）框架，通过集中训练的深度Q网络（DQN）智能体实时优化工件-机器分配，结合注意力机制与DQN增强技术，在模拟环境中优于基线算法，验证其智能自适应调度优势。
2025-11-11 cs.AI cs.MA
Uncertainty-Aware Motion Planning for Autonomous Driving in Mixed Traffic Environment
Central South University（中南大学）；City University of Macau（澳门城市大学）
提出不确定性感知运动规划（UAMP），通过量化人类意图不确定性并引入不确定性校准值学习，提升自动驾驶在混合交通中的安全性和舒适性。
2026-06-08 cs.AI cs.RO
Learning to Solve Job Shop Scheduling under Uncertainty
Jolibrain（若利布蘭）；ONERA-DTIS（法國航空航天研究院）；Université de Toulouse（圖盧茲大學）
本文提出Wheatley方法，结合图神经网络与深度强化学习，用于求解持续时间不确定的作业车间调度问题，以最小化平均完工时间，并提升了泛化性与可扩展性。
2024-03-04 cs.AI cs.LG stat.ML
Online Planner Selection with Graph Neural Networks and Adaptive Scheduling
IBM Research（IBM研究院）；University of Basel（巴塞尔大学）；Saarland University（萨尔大学）；MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）
自动规划是AI的基础领域之一。由于没有一个单一的计划可以很好地工作，所有的任务和领域，投资组合为基础的技术已成为近年来越来越受欢迎。特别是，深度学习作为在线计划者选择的一种有前途的方法出现。由于最近的发展规划任务的结构图表示，我们提出了一个图神经网络（GNN）的方法来选择候选规划。GNN优于直接的替代方案卷积神经网络，因为它们对节点排列是不变的，并且它们包含节点标签以进行更好的推理。此外，成本最优规划，我们提出了一个两阶段的自适应调度方法，以进一步提高给定的任务被及时解决的可能性。调度器可以在中场休息时切换到不同的计划器，以观察到的第一个计划器的性能为条件。实验结果验证了所提出的方法对强基线的有效性，无论是基于深度学习还是基于非深度学习。代码可在\url{https://github.com/matenure/GNN_planner}上获得。
2019-11-20 cs.AI cs.LG stat.ML
Robust and Adaptive Planning under Model Uncertainty
Stanford University（斯坦福大学）
模型不确定性下的规划是许多决策和学习应用中的一个基本问题。在本文中，我们提出了鲁棒自适应蒙特卡罗规划（RAMCP）算法，它允许计算风险敏感的贝叶斯自适应政策，最佳权衡探索，剥削和鲁棒性。RAMCP制定的风险敏感规划问题作为一个两个玩家的零和游戏，其中一个对手扰动代理的信念模型。我们介绍两个版本的RAMCP算法。第一个，RAMCP-F，收敛到一个最佳的风险敏感的政策，而不必重建搜索树的基础上的信念模型被扰动。第二个版本，RAMCP-I，提高了计算效率的成本失去理论保证，但产生的经验结果相比，RAMCP-F。RAMCP是证明了一个N拉多臂土匪问题，以及病人的治疗方案。
2019-01-09 cs.AI cs.LG
Selective Dyna-style Planning Under Limited Model Capacity
The University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所）；Harvey Mudd College（哈维穆德学院）
在基于模型的强化学习中，使用不完美的环境模型进行规划可能会损害学习进度。但是，即使模型是不完美的，它仍然可能包含对规划有用的信息。在本文中，我们研究的想法，选择性地使用一个不完美的模型。智能体应该在状态空间中模型有用的部分进行规划，但避免在模型有害的部分使用模型。一个有效的选择性规划机制需要估计预测的不确定性，这是由任意的不确定性，参数的不确定性，模型的不充分性，以及其他来源。先前的工作集中在选择性规划的参数不确定性。在这项工作中，我们强调模型不足的重要性。我们发现，异方差回归可以信号预测的不确定性所产生的模型不足，这是互补的，这是检测的方法设计的参数不确定性，这表明，考虑参数的不确定性和模型不足可能是一个更有前途的方向，有效的选择性规划比任何一个孤立的。
2021-03-07 cs.AI cs.LG stat.ML
Real-World Deployment of a Hierarchical Uncertainty-Aware Collaborative Multiagent Planning System
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；DEVCOM Army Research Laboratory (ARL)（DEVCOM陆军研究实验室）；United States Military Academy（美国军事学院）
本文提出并部署了一种分层不确定性感知协同多智能体规划系统，通过规划器层次结构与鲁棒设计，在真实世界未知环境中实现长距离协同导航。
2024-04-26 cs.AI cs.MA cs.RO
Multiscale Adaptive Scheduling and Path-Planning for Power-Constrained UAV-Relays via SMDPs
Arizona State University（亚利桑那州立大学）
我们描述了一个分散的群的旋翼无人机中继编排，增加了地面基站的覆盖范围和服务能力。我们的目标是最小化的时间平均服务时延处理传输请求从地面用户泊松到达，受平均无人机功率约束。配备速率自适应，以有效地利用空对地信道的随机性，我们首先推导出最佳的控制策略，通过一个半马尔可夫决策过程制定单一的继电器，与竞争性群体优化无人机轨迹设计。因此，我们详细介绍了这种结构的多尺度分解：径向等待速度和末端位置的外部决策优化了预期的长期延迟功率权衡;因此，角等待速度，服务时间表和无人机轨迹的内部决策极大地减少了瞬时延迟功率成本。接下来，通过复制和共识驱动的命令和控制来推广无人机群，该策略嵌入了传播最大化和冲突解决策略。我们证明了我们的框架在平均服务延迟和平均每无人机功耗方面提供了卓越的性能：相对于静态无人机中继部署，数据有效载荷传输速度快11倍，比深度Q网络解决方案快2倍;值得注意的是，我们的方案中的一个中继比联合连续凸近似策略下的三个中继高出62%。
2022-10-15 cs.AI cs.SY eess.SP
