Planning with Incomplete Information in Quantified Answer Set Programming
New Mexico State University（新墨西哥州立大学）；Omaha State University（奥马哈州立大学）；University of Potsdam（波茨坦大学）
我们提出了一个通用的方法来规划与不完全信息的答案集编程（ASP）。更确切地说，我们考虑的问题，符合和条件规划与感知行动和假设。我们表示规划问题，使用一个简单的形式主义，其中逻辑程序描述的状态，初始状态和目标状态之间的过渡函数。为了解决规划问题，我们使用量化答案集编程（QASP），ASP的扩展与原子上的存在和通用量词类似于量化布尔公式（QBF）。我们定义了量化的逻辑程序的语言，并用它来表示符合和条件规划的不同变体的解决方案。在实践方面，我们提出了一个基于约束的QASP求解器，量化的逻辑程序转换成QBF，然后执行QBF求解器，我们实验评估的方法一致性和条件规划基准。正在考虑接受TPLP。
2021-08-13 cs.AI
Logic Programming for Describing and Solving Planning Problems
一个逻辑编程范式，表示解决问题的稳定模型，最近已被提升为一个声明性的方法来解决各种组合和搜索问题，包括规划问题。在这种范式中，所有的程序规则被认为是约束和解决方案是稳定的模型的规则集。这与逻辑编程的标准范式有着相当大的不同。在本文中，我们重新溯因逻辑编程，并认为它允许一种编程风格，这是声明性的编程基于稳定的模型。然而，在溯因逻辑编程中，有两种规则。一方面是谓词定义（可能依赖于可溯物），它只不过是标准的逻辑程序（当包含否定时，具有非单调语义）;另一方面是约束可溯物模型的规则。在这个意义上，溯因逻辑编程是逻辑编程标准范式的平滑扩展，而不是彻底的背离。
2000-03-08 cs.AI cs.LO
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
PDDL+ Planning via Constraint Answer Set Programming
Drexel University（德雷塞尔大学）；University of Genoa（热那亚大学）
PDDL+是PDDL的一个扩展，它可以用混合离散-连续动态来建模规划域。在本文中，我们提出了一种新的方法，PDDL+规划的基础上约束回答集编程（CASP），即ASP规则加数值约束。据我们所知，我们是第一次尝试连接PDDL+规划和逻辑编程。我们提供了一个编码的PDDL+模型到CASP问题。该编码可以处理非线性混合域，并为将逻辑编程应用于PDDL+规划奠定了坚实的基础。作为一个案例研究，我们考虑EZCSP CASP求解器，并获得了一组PDDL+基准问题有前途的结果。
2016-08-31 cs.AI
A Framework for Decision-Theoretic Planning I: Combining the Situation Calculus, Conditional Plans, Probability and Utility
University of British Columbia（不列颠哥伦比亚大学）
本文展示了我们如何将行动的逻辑表示和决策理论以一种对两者来说都很自然的方式结合起来。特别是，我们假设一个公理化的域的情况演算，使用什么基本上是赖特的解决方案的框架问题，在完成的公理定义的状态变化。不确定性是根据独立选择逻辑来处理的，独立选择逻辑允许独立的选择和给出选择结果的逻辑程序。作为结果的一部分，是（最终）状态效用的规范。机器人采用机器人计划，类似于GOOGLE程序设计语言。在这个逻辑中，我们可以根据行动、不确定性和效用的公理化来定义条件计划的预期效用。什么？规划问题就是要找到期望效用最高的方案。这与POMDPs最近的结构化表示有关;在这里，我们使用随机情景演算规则来指定状态转移函数和奖励/价值函数。最后，我们表明，与随机框架公理，行动表示在概率BCPPS是指数大于使用这里提出的表示。
2013-02-13 cs.AI
Expressivity of Planning with Horn Description Logic Ontologies (Technical Report)
Saarland University（萨尔大学）；University of Freiburg（弗莱堡大学）
人工智能规划中的状态约束在全球范围内限制了法律环境状态。标准规划语言做出封闭域和封闭世界的假设。在这里，我们解决开放世界的状态约束正式规划的描述逻辑（DL）本体。以前，这种DL和规划的结合已经被研究用于轻型DL DL-Lite。在这里，我们提出了一种新的编译方案，标准PDDL派生谓词，这适用于更有表现力的DL和基于DL查询到数据库的可重写性与分层否定。我们还提供了一个新的可重写性结果的DL霍恩ALCHOIQ，这使我们能够将我们的编译方案相当表达的本体。相比之下，我们表明，在轻微的扩展角SROIQ没有这样的编译是可能的，除非弱指数层次崩溃。最后，我们表明，我们的方法可以优于以前的工作，现有的基准规划与DL本体，是可行的新基准利用更具表现力的本体。这是AAAI 22接受的论文的扩展版本。
2022-03-17 cs.AI cs.CC cs.LO
Logic programming for deliberative robotic task planning
University of Verona（维罗纳大学）；CMR Surgical Ltd（CMR外科有限公司）
在过去的十年中，机器人在生产和日常生活中的使用越来越多。随着包括人类在内的不同环境中越来越复杂的任务和交互，机器人需要更高水平的自主性来进行有效的审议。任务规划是审议的一个关键要素。它将基本操作结合到结构化计划中，以满足给定机器人和环境规范的规定目标。在这篇手稿中，我们提出了一个调查的最新进展，应用逻辑编程的任务规划问题。与其他方法相比，逻辑编程提供了几个优点，包括更大的表达性和可解释性，这可能有助于开发安全可靠的机器人。我们分析了不同的规划者和他们的适用性特定的机器人应用程序，基于域表示，计算效率和软件实现的表现力。通过这种方式，我们支持机器人设计师为他的应用选择最佳工具。
2023-01-18 cs.AI cs.LO cs.RO
On the Relationship Between KR Approaches for Explainable Planning
Washington University in St. Louis（圣路易斯华盛顿大学）；New Mexico State University（新墨西哥州立大学）
在本文中，我们建立在概念从知识表示和推理（KR）扩展一个初步的逻辑为基础的框架，其特点是模型和解问题的可解释的规划。我们还提供了一个详细的阐述类似KR技术之间的关系，如溯因解释和信念的变化，其适用性可解释的规划。
2020-12-16 cs.AI
Symmetries and Expressive Requirements for Learning General Policies
Linköping University（林雪平大学）；RWTH Aachen University（亚琛工业大学）；Universitat Pompeu Fabra（庞培法布拉大学）
本研究探讨了规划和通用规划中的状态对称性检测问题，通过将状态映射为图并运用同构与着色算法，评估了不同规划域中学习通用策略的表达要求，发现对称性检测能提升学习效果，而未能检测非对称性则阻碍策略学习。
2024-09-24 cs.AI
Neuro-Symbolic Learning for Long-Horizon Task Planning Under Complex Logical Constraints
Spatial AI & Robotics (SAIR) Lab, University at Buffalo, NY 14260（空间人工智能与机器人实验室，布法罗大学，纽约州，14260）；Robotics Institute, Carnegie Mellon University, PA 15213（机器人研究所，卡内基梅隆大学，宾夕法尼亚州，15213）
提出基于命令学习的双层优化框架，通过神经评分器剪枝无关对象，并引入3R策略（修复、重启、回滚）稳定下层规划，在三个基准上实现失败率降低80.04%、规划时间减少57.14%。
2026-06-05 cs.AI cs.RO
Specification mining and automated task planning for autonomous robots based on a graph-based spatial temporal logic
University of Notre Dame（圣母大学）
我们的目标是使自主机器人能够从演示视频中学习新技能，并使用这些新学到的技能来完成重要的高级任务。开发这种自主机器人的目标涉及到知识表示、规范挖掘和自动任务规划。对于知识表示，我们使用基于图的时空逻辑（GSTL）来捕获演示视频所演示的相关技能的时空信息。我们设计了一个规范挖掘算法，通过归纳构造空间项和时间公式，从演示视频中生成一组参数化的GSTL公式。从规范挖掘得到的参数化GSTL公式作为域理论，用于自主机器人的自动任务规划。提出了一种基于GSTL的自动任务规划方法，其中提出者用于生成有序动作，验证者用于生成可执行的任务计划。文中以表格设置为例说明了本文的主要思想。
2020-07-16 cs.AI cs.RO cs.SY
Logic Programming for Finding Models in the Logics of Knowledge and its Applications: A Case Study
Arizona State Univ.（亚利桑那州立大学）；New Mexico State Univ.（新墨西哥州立大学）
知识逻辑是模态逻辑，已被证明是有效的表示和推理的知识在多代理领域。用于处理模型计算和知识逻辑中的有用转换的计算框架相对较少（例如，以支持具有知识动作和可见度的多代理规划）。本文探讨了使用逻辑编程（LP）编码有趣的形式的逻辑知识和计算Kripke模型。的LP建模扩展与有用的运营商Kripke结构，以支持多智能体规划中存在的世界改变和知识的行动。这将导致有史以来第一次实现这种类型的复杂的多智能体域的规划。
2010-07-21 cs.AI cs.LO
Mixed Logical and Probabilistic Reasoning for Planning and Explanation Generation in Robotics
The University of Auckland（奥克兰大学）
机器人在复杂的领域中帮助人类，必须在感觉运动水平和社会水平上代表知识和理性。本文所描述的架构耦合的非单调逻辑推理能力的声明性语言与概率信念修订，使机器人表示和推理的定性和定量的描述知识和程度的信念。具体来说，不完整的领域知识，包括在所有，但少数例外情况下，持有的信息，表示为一个答案集Prolog（ASP）程序。通过求解该程序获得的答案集用于推理、规划和联合解释（a）由于外源动作引起的意外动作结果和（b）从传感器输入提取的部分场景描述。对于任何给定的任务，答案集中包含的计划中的每个动作都是按概率执行的。自动识别与动作相关的域的子集，并且从传感器输入中提取的观测对在该域子集上定义的置信分布执行增量贝叶斯更新，其中高度可能的置信被提交给ASP程序。该体系结构的能力，说明在模拟和移动机器人的上下文中的机器人服务员在餐厅的餐厅。
2015-08-01 cs.AI cs.LO cs.RO
Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach
University of Verona（维罗纳大学）
本文利用 ILP 从 POMDP 执行轨迹中学习可解释的 ASP 置信策略规约，作为在线启发式指导 POMCP、DESPOT 和 AdaOPS，并在 rocksample 与 pocman 上验证其高效、优越且可泛化。
2024-02-29 cs.AI cs.LG cs.LO
Logic-Based Ethical Planning
IRIT（图卢兹信息学研究所）；CNRS（法国国家科学研究中心）；University of Toulouse（图卢兹大学）；LAAS-CNRS（法国国家科学研究中心系统分析与架构实验室）
在本文中，我们提出了一个框架，规划的背景下，伦理决策，并打算应用到机器人。我们提出了一个紧凑的，但高度表达的语言伦理规划，结合线性时序逻辑与词典偏好建模。这种原始的组合使我们能够评估计划相对于代理的价值观和他们的愿望，引入了新的概念的道德水平的代理和走向多目标，多值规划。我们开始在我们的设置规划任务的计算复杂性的研究，我们讨论了潜在的应用机器人。
2022-06-02 cs.AI
Logical Regression for Planning with Axioms
研究含公理领域中动作的逻辑回归，提出近似方法，将条件限制在部分状态以避免公理重算。该方法可泛化部分状态，减少执行监控变量，增强执行监控在意外变化环境中的恢复能力。
2026-07-24 cs.AI
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
Zero-Shot Signal Temporal Logic Planning with Disjunctive Branch Selection in Dynamic Semantic Maps
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院）；Key Laboratory of System Control and Information Processing, the Ministry of Education of China（中国教育部系统控制与信息处理重点实验室）
本文提出一种零样本STL规划求解器，通过映射条件Transformer与轻量启发式结合，有效处理复杂离散子公式，利用传递强化学习确保时间一致性和逻辑连贯性，实验证明其在动态语义地图中具有优越的零样本泛化能力。
2026-05-02 cs.AI
Compositional planning in Markov decision processes: Temporal abstraction meets generalized logic composition
Worcester Polytechnic Institute（伍斯特理工学院）
在马尔可夫决策过程（MDP）的层次规划中，时间抽象允许以顺序组合的形式对发生在不同时间尺度上的宏动作进行规划。在本文中，我们提出了一种新的方法，组合推理和层次规划的时态逻辑约束下的MDP。除了顺序组合，我们介绍了一种基于广义逻辑组合的策略组合：给定子任务的子策略和一个新的任务表示为子任务的逻辑组合，一个半最优的策略，这是最优的规划与只有子策略，可以通过简单地组合子策略。因此，一个综合算法的开发，以计算最优策略有效地规划与原始行动，子任务的政策，和子政策的组成，以最大限度地满足时态逻辑规格的概率。我们证明了所提出的方法的正确性和效率在随机规划的例子与一个单一的代理和多个任务规范。
2019-07-22 cs.AI math.OC
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
Enabling MCTS Explainability for Sequential Planning Through Computation Tree Logic
Vanderbilt University（范德堡大学）；Eindhoven University of Technology（埃因霍温理工大学）
针对MCTS在交通路线规划中难以被普通用户理解的问题，提出基于计算树逻辑的解释框架，通过逻辑转换、验证评估和文本生成实现可解释性，经82人调研验证用户偏好优于基线。
2024-10-29 cs.AI
Constraint Satisfaction Propagation: Non-stationary Policy Synthesis for Temporal Logic Planning
University of Minnesota（明尼苏达大学）
当使用奖励函数来捕获顺序的时间受限的目标状态之间的依赖关系时，出现了问题，因为状态空间必须被过度扩展以容纳成功实现的子目标的历史。此外，政策和价值函数与平稳性假设推导出不容易分解，导致奖励最大化和任务泛化之间的紧张关系。我们展示了一个逻辑兼容的方法，使用基于模型的知识的环境动态和最后期限的信息，直接推断可重用的静态政策组成的非静态政策。该策略的构建是为了最大化满足时间敏感目标的概率，同时尊重时变障碍。我们的方法显式地保持两个不同的空间，一个高层次的逻辑任务规范，任务变量接地到低层次的状态空间的马尔可夫决策过程。在任务级的计算可满足性是可能的贝尔曼方程的张量，连接两个空间之间的时间关系;方程求解的值函数，可以明确地解释为子目标的概率下的综合非平稳政策，一种方法，我们术语约束满足传播（CSP）。
2019-02-11 cs.AI
Intelligent Singularity Avoidance in UR10 Robotic Arm Path Planning Using Hybrid Fuzzy Logic and Reinforcement Learning
National Center for High-Performance Computing（国家高速网络与计算中心）
本文提出一种结合模糊逻辑与强化学习的UR10机械臂路径规划方法，通过实时检测和规避奇异点，实现高成功率的路径规划。
2026-01-09 cs.AI cs.RO
Proof-Carrying Plans: a Resource Logic for AI Planning
Heriot-Watt University（赫瑞-瓦特大学）
人工智能验证和可解释人工智能的最新趋势提出了人工智能规划技术是否可以验证的问题。在本文中，我们提出了一种新的资源逻辑，证明携带计划（PCP）的逻辑，可用于验证人工智能规划者产生的计划。PCP逻辑从现有的资源逻辑（如线性逻辑和分离逻辑）以及霍尔逻辑中获得灵感，当涉及到建模状态和资源感知计划执行时。它还利用了Curry-Howard的逻辑方法，将计划作为函数处理，将计划的前置条件和后置条件作为类型处理。本文提出了两个主要结果。从理论的角度来看，我们表明，PCP逻辑是健全的相对于标准的可能世界的语义在AI规划。从实用的角度来看，我们提出了一个完整的Agda形式化的PCP逻辑和其合理性证明。此外，我们通过补充将人工智能计划自动解析为Agda证明的库来展示该实现的Curry-Howard或功能价值。我们提供了这个库和由此产生的Agda功能的评价。
2020-10-28 cs.AI cs.LO cs.PL
Planning by case-based reasoning based on fuzzy logic
University of Oran（奥兰大学）
处理复杂系统往往需要处理模糊、不精确和不确定的信息。事实上，人类有能力以自然的方式处理这些系统。人类不是用数学术语思考，而是通过语言建议来描述系统的行为。为了表示这种类型的信息，Zadeh提出通过基于语言变量的近似推理来建模人类思维的机制。他于1965年提出了模糊集理论，该理论提供了语言和数字世界之间的接口。在本文中，我们提出了一个布尔建模的模糊推理，我们洗礼Fuzzy-BML和使用的特点，归纳图分类。模糊BML是一个过程，通过该过程，CBR的检索阶段不是以传统的数学方程的形式建模，而是以具有模糊规则的隶属函数的数据库的形式。
2013-11-18 cs.AI
Logically Constrained Robotics Transformers for Enhanced Perception-Action Planning
Carnegie Mellon University（卡内基梅隆大学）；Scaled Foundations
本文提出将信号时序逻辑规范融入自回归 Transformer 轨迹规划的新方法，并构建预训练数据集，使规范满足率较基线提升 74.3%。
2024-08-09 cs.AI cs.RO
Implementing Behavior Trees using Three-Valued Logic
考虑到行为树及其与规划和控制的相关性，在游戏开发和非游戏开发中，有状态和无状态模型之间的区别进行了讨论;一个三值逻辑桥接传统的控制流与行为树，并提出了一个C#实现。
2020-11-07 cs.AI
What to Do When You Can't Do It All: Temporal Logic Planning with Soft Temporal Logic Constraints
University of South Carolina（南卡罗来纳大学）
在本文中，我们考虑一个时序逻辑规划问题，其目标是找到一个无限的轨迹，满足最优选择从一组软规格表示在线性时序逻辑（LTL），同时满足硬规格表示在LTL。我们以前的工作考虑了一个类似的问题，其中线性动态逻辑有限迹（LDLf），而不是LTL，用于表示软约束。在这项工作中，LDLf被用来对无限轨迹的有限前缀施加约束。通过使用LTL，人们不仅能够对轨迹的有限前缀施加约束，而且还能够在整个无限轨迹上设定“软”目标。我们的算法首先构造一个产品自动机，在其上的规划问题被减少到计算一个最小成本的套索。在所有这样的套索中，期望计算最短的套索。虽然我们证明了计算这样一个最短的套索是计算困难的，我们也引入了一个有效的贪婪的方法来合成短套索。我们提出了两个案例研究，描述了这种方法的实施，并报告我们的实验结果比较我们的贪心算法与最佳基线。
2020-08-05 cs.AI cs.LO cs.RO
Probabilistic Planning with Prioritized Preferences over Temporal Logic Objectives
Worcester Polytechnic Institute（伍斯特理工学院）；University of Florida（佛罗里达大学）
针对概率MDP中多时序目标的优先级偏好规划问题，提出优先级定性选择LTL_f语言并转换为加权自动机，以计算最小化期望不满意得分的最优策略。
2023-04-23 cs.AI cs.FL
Computing the Scope of Applicability for Acquired Task Knowledge in Experience-Based Planning Domains
The University of Aveiro（阿威罗大学）；The University of Texas at Austin（得克萨斯大学奥斯汀分校）
基于经验的规划域已经被提出来通过从经验中学习来改进问题解决。他们依赖于获取和使用任务知识，即，活动模式，用于为一类任务中的问题实例生成解决方案。使用三值逻辑分析（TVLA），我们扩展以前的工作，产生一组条件，确定活动模式的适用范围。推断的范围是一组潜在无限大小的问题的有界表示，以3值逻辑结构的形式，用于自动找到解决任务问题的适用活动模式。我们验证这项工作在两个经典的规划域。
2019-03-13 cs.AI
Knowledge Compilation in Multi-Agent Epistemic Logics
Jinan University（暨南大学）；Griffith University（格里菲斯大学）；Guangdong Institute of Public Administration（广东行政学院）
认知逻辑是多智能体系统的主要形式，但在这样的认知逻辑的主要推理任务是棘手的，这阻碍了多智能体认知逻辑在自动规划中的应用。知识编译提供了一个很有前途的方式来解决棘手的识别表达片段的认知逻辑是易处理的重要推理任务，如可满足性和遗忘。逻辑可分性的属性允许将公式分解成其子公式，从而可以开发用于各种推理任务的模块化算法。本文利用逻辑可分性，通过定义一个范式SDNF，提出了一种对逻辑Kn进行知识编译的方法。在几个新的结果，我们表明，每一个认知公式可以等价地编译成一个公式在SDNF，主要的推理任务在SDNF是易处理的，和公式在SDNF享有逻辑可分性。我们的研究结果揭示了一些模块化的知识编译方法。此外，我们将我们的结果应用于多智能体认知规划。最后，我们将上述结果推广到K45n，即Kn由内省公理4和5推广的逻辑。
2018-06-28 cs.AI
Logic Distillation: Learning from Code Function by Function for Decision-making Tasks
The School of Computer and Artificial Intelligence of Zhengzhou University（郑州大学计算机与人工智能学院）；Engineering Research Center of Intelligent Swarm Systems, Ministry of Education（教育部智能群体系统工程研究中心）；National Supercomputing Center In Zhengzhou（郑州国家超级计算中心）；Zhejiang University（浙江大学）
本文提出逻辑蒸馏（LD）框架，通过将大模型的复杂指令实例化为函数库并微调小模型按函数学习规划与决策逻辑，使小模型在决策任务中达到或超越大模型性能。
2025-11-10 cs.AI
Diverse Planning with Simulators via Linear Temporal Logic
School of Computer Science University of St Andrews（计算机科学学院圣安德鲁大学）
本文提出 $\ exttt{FBI}_\ exttt{LTL}$，利用 LTL 定义并在搜索中集成语义多样性准则，为基于仿真的规划生成真正语义不同的计划，实验表明其多样性优于基线。
2025-10-20 cs.AI cs.MA
Planning with Logical Graph-based Language Model for Instruction Generation
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；Department of Computer Science, Guizhou University（贵州大学计算机科学系）
本文提出 Logical-GLM，通过构建逻辑贝叶斯图并生成逻辑骨架来指导语言模型训练，在更少数据和参数下提升指令文本生成的逻辑正确性与可解释性。
2024-07-05 cs.AI cs.CL
Dynamic Term-Modal Logics for First-Order Epistemic Planning
DTU Compute, Technical University of Denmark（丹麦技术大学DTU计算学院）；London School of Economics（伦敦政治经济学院）；Center for Information and Bubble Studies, University of Copenhagen（哥本哈根大学信息与泡沫研究中心）
许多经典的规划框架都是建立在一阶语言之上的。一阶表达能力对于通过模式表示动作的压缩性和指定量化条件（如$\neg\exists x\mathsf{blocks\_door}(x)$）是理想的。相反，最近的几个认知规划框架是建立在命题认知逻辑。认知语言对于描述涉及高阶推理或认知目标（如$K_{a}\neg\mathsf{problem}$）的规划问题很有用。本文提出了一个动态认知逻辑（DEL）的一阶版本。在这个框架中，例如，$\exists xK_{x}\exists y\mathsf{blocks\_door}(y)$是一个公式。形式主义相结合的DEL（高阶推理）与一阶逻辑（提升表示）的优势，多智能体认知规划模型。本文介绍了一种认知语言与可能世界的语义，其次是新的动态一阶动作模型和它们的执行，通过产品更新。利用一阶机制，认知行动模式的定义，以提供紧凑的，独立于问题的域描述，在PDDL的精神。关于元理论，本文定义了公理化的正常项模态逻辑，显示了一个典型的模型定理的结果，它允许建立完整性通过框架特征公式，有限代理的情况下，显示可判定性，并显示了一般的完整性结果的动态扩展减少公理。
2020-06-02 cs.AI cs.LO cs.MA
Fast Decomposition of Temporal Logic Specifications for Heterogeneous Teams
MIT Lincoln Laboratory（麻省理工学院林肯实验室）；Lehigh University（理海大学）
在这项工作中，我们专注于分解成较小的子问题，可以独立解决和执行的大型多智能体路径规划问题的全球时间逻辑目标（共同的所有代理）。至关重要的是，子问题的解决方案必须共同满足共同的全球任务规范。代理的任务被给出为能力时序逻辑（CaTL）公式，信号时序逻辑的片段，其可以表达涉及多个代理能力（传感器，例如，相机、IR和效应器，例如，轮式、飞行、操纵器）。我们采取的方法是分解的时间逻辑规范和团队的代理。我们共同的原因代理分配给子团队和分解的公式使用可满足性模理论（SMT）的方法。SMT的输出然后被分发到子团队，并导致计划时间的显著加快。我们包括计算结果来评估我们的解决方案的效率，以及由SMT编码的保守性引入的权衡。
2020-09-30 cs.AI
A Semantic Approach to Decidability in Epistemic Planning (Extended Version)
Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Bologna（博洛尼亚大学）
本文提出一种基于语义的公理扩充方法，通过在 S5$_n$ 逻辑中引入知识交换性公理限制智能体无限推理，实现了认知规划问题的可判定性，并证明了多种现有系统的可判定性。
2023-07-28 cs.AI
From Real World to Logic and Back: Learning Generalizable Relational Concepts For Long Horizon Robot Planning
针对机器人有限经验泛化能力弱、难迁移到未见环境长时程任务的问题，提出首个从少量无标注原始演示自主学习符号化关系概念与逻辑世界模型的框架，实现零样本复杂任务泛化，性能媲美手工设计模型，可处理18倍于训练的物体数量，推动可解释可泛化机器人规划系统发展。
2025-10-03 cs.AI cs.RO
Decomposition-based Hierarchical Task Allocation and Planning for Multi-Robots under Hierarchical Temporal Logic Specifications
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）
针对复杂时序逻辑规范下的多机器人任务分配与规划问题，提出基于分解的分层框架，通过原子子任务分解、任务网络构建及混合整数线性规划分配，在导航和操作仿真中实现更优解和更短运行时间。
2024-05-23 cs.AI cs.RO
Knowing How to Plan
Nankai University（南开大学）；Peking University（北京大学）
在最近的文献中，已经研究了各种基于规划的专有技术逻辑。在本文中，我们使用这样的逻辑做专有技术为基础的规划，通过模型检验。特别是，我们可以处理涉及专有技术公式作为目标的高阶认知规划，例如，找到一个计划来确保p，这样对手就不知道如何在未来使p为假。给出了有限认知迁移系统上模型检验问题的PTIME算法，并在完全召回假设下公理化了该逻辑。
2021-06-22 cs.AI cs.LO
Conformal Temporal Logic Planning using Large Language Models
Washington University in St Louis（华盛顿大学圣路易斯分校）；University of Zurich（苏黎世大学）；Vanderbilt University（范德比尔特大学）
针对移动机器人需按时序逻辑完成自然语言子任务的问题，提出分层神经符号规划器HERACLEs，结合符号规划器、大语言模型与保形预测管理不确定性，实现了用户定义的任务成功率并提升了用户友好度。
2025-09-17 cs.AI cs.RO
Temporal Planning via Interval Logic Satisfiability for Autonomous Systems
The University of Melbourne（墨尔本大学）；The University of Toronto（多伦多大学）；Monash University（莫纳什大学）
本文提出以 Allen 区间逻辑表达动作与流的区间关系，并构建 CP 规划图处理复杂并发，实验显示其在案例研究中优于 PDDL 2.1 规划器。
2024-06-14 cs.AI cs.LO cs.SY
A Dynamic Epistemic Framework for Conformant Planning
Sun Yat-sen University（中山大学）；Qiannan Normal College for Nationalities（黔南民族师范学院）；Peking University（北京大学）；University of Groningen（格罗宁根大学）
在本文中，我们介绍了一个轻量级的动态认知逻辑框架下的初始不确定性的自动规划。我们将计划验证和一致性计划简化为逻辑的模型检验问题。我们证明了无迭代片段的模型检验问题是PSPACE完全的。通过使用两个非标准的（但等价的）语义，我们给出了新的模型检验算法的完整的语言和迭代自由语言。
2016-06-24 cs.AI cs.CC cs.LO
Integrating Legal and Logical Specifications in Perception, Prediction, and Planning for Automated Driving: A Survey of Methods
Department of Computer Science and Mathematics, Freie Universität Berlin（自由大学柏林计算机科学与数学系）；Continental Automotive（大陆汽车）；Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算、信息与技术系）
该综述系统分析了自动驾驶感知、预测、规划模块整合法律与逻辑规范的现有方法，提出分类法梳理相关技术，指出交叉领域挑战并给出多学科见解，为合规自动驾驶系统发展提供指引。
2025-10-29 cs.AI cs.RO cs.SY
TeLoGraF: Temporal Logic Planning via Graph-encoded Flow Matching
Department of Aeronautics and Astronautics, MIT（麻省理工学院航空航天系）
提出TeLoGraF框架，利用图神经网络编码器和流匹配学习一般STL规范的解决方案，在多仿真环境中实现更高满足率且推理速度提升10-100倍。
2025-05-01 cs.AI cs.FL cs.LG
Simultaneous Task Allocation and Planning for Multi-Robots under Hierarchical Temporal Logic Specifications
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文提出分层有限轨迹线性时序逻辑 H-LTL$_f$，并开发基于搜索的多机器人同时任务分配与规划方法，通过子空间近似和多种启发式在保证解质量的同时显著提升规划效率。
2025-06-05 cs.AI cs.FL cs.RO
Unsupervised Grounding of Plannable First-Order Logic Representation from Images
IBM Research（IBM研究）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
最近，在强化学习社区中，人们对获取环境的关系结构越来越感兴趣。然而，由此产生的“关系”不是离散的，逻辑谓词兼容的符号推理，如经典的规划或目标识别。与此同时，Latplan（Asai and Fukunaga 2018）弥合了深度学习感知系统和符号经典规划器之间的差距。该系统的一个关键组成部分是一个称为状态自动编码器（SAE）的神经网络，它将基于图像的输入编码为与经典规划兼容的命题表示。为了两全其美，我们提出了一阶状态自动编码器，这是一种无监督的架构，用于为一阶逻辑谓词和事实奠定基础。每个谓词通过获取可解释的参数并返回一个命题值来建模对象之间的关系。在使用8-Puzzle和照片般逼真的Blocksworld环境的实验中，我们表明：（1）所得到的谓词捕获了可解释的关系（例如空间），（2）它们有助于获得环境的紧凑，抽象模型，最后，（3）所得到的模型与符号经典规划兼容。
2019-03-27 cs.AI cs.LG
Continuous Motion Planning with Temporal Logic Specifications using Deep Neural Networks
University of Waterloo（滑铁卢大学）
针对具有连续状态和动作的运动规划问题，提出了一种无模型强化学习方法来综合控制策略。机器人被建模为一个标记的离散时间马尔可夫决策过程（MDP）与连续的状态和动作空间。线性时序逻辑（LTL）用于指定高级任务。然后，我们训练深度神经网络，以使用行动者-批评者强化学习方法来近似价值函数和策略。LTL规范被转换为带注释的有限确定性Büchi自动机（LDBA），用于连续地塑造奖励，以便在训练期间提供密集的奖励。使用强化学习解决具有LTL规范的运动规划问题的一种简单方法是对轨迹进行采样，然后如果轨迹满足整个LTL公式，则为训练分配高奖励。然而，当我们有一个复杂的连续状态和动作空间的LTL公式时，找到这样的轨迹所需的采样复杂度太高了。因此，如果所有样本轨迹都从自动机的初始状态开始，我们就不太可能获得足够的训练奖励。在本文中，我们提出了一种方法，不仅从状态空间中的初始状态采样，而且在每个训练集开始时自动机中的任意状态。我们测试我们的算法在模拟使用汽车般的机器人，并发现我们的方法可以学习不同的工作配置和LTL规范的政策成功。
2020-09-29 cs.AI cs.LG cs.LO
Generalizable Multi-Agent Planning from Signal Temporal Logic Specifications via Diffusion
Purdue University（普渡大学）
该研究针对多智能体STL规划的通用能力与可扩展性的权衡问题，提出STL引导的扩散方法，实现了可泛化、可扩展且规划多样的多智能体规划，减少了安全违规。
2026-09-01 cs.AI cs.MA cs.RO
Modular Deep Reinforcement Learning for Continuous Motion Planning with Temporal Logic
The University of Iowa（爱荷华大学）；University of Oxford（牛津大学）；University of Science and Technology of China（中国科学技术大学）
研究了在连续状态空间和动作空间上转移概率未知的马尔可夫决策过程（MDP）模型下自治动力系统的运动规划问题。线性时序逻辑（LTL）用于描述无限时域上的高级任务，它可以转换为具有多个接受集的极限确定性广义Büchi自动机（LDGBA）。新颖之处是设计一个嵌入式产品MDP（EP-MDP）之间的LDGBA和MDP通过纳入一个同步跟踪前沿功能，记录未访问的接受集的自动机，并促进接受条件的满足。提出的基于LDGBA的无模型强化学习（RL）奖励塑造和折扣方案仅依赖于EP-MDP状态，可以克服奖励稀疏的问题。严格的分析表明，任何优化预期贴现收益的RL方法都能保证找到一个最优策略，其轨迹使满意概率最大化。一个模块化的深度确定性策略梯度（DDPG），然后开发，以产生这样的政策在连续的状态和动作空间。我们的框架的性能通过一系列OpenAI健身房环境进行评估。
2022-01-23 cs.AI cs.FL cs.LG
Logic-Constrained Shortest Paths for Flight Planning
Zuse Institute Berlin（柏林楚泽研究所）；Lufthansa Systems GmbH（汉莎系统有限公司）
针对带交通流量限制的飞行规划场景，提出适配逻辑约束最短路径问题的分支定界算法，公开含2万条真实限制的数据集，验证合理配置算法组件可带来数量级性能提升。
2025-06-11 cs.AI cs.DM
Nl2Hltl2Plan: Scaling Up Natural Language Understanding for Multi-Robots Through Hierarchical Temporal Logic Task Representation
Tsinghua University（清华大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出 Nl2Hltl2Plan 框架，利用 LLM 将自然语言指令转换为分层 LTL 规范并求解多机器人规划，实验表明其在复杂指令、成功率和成本上均优于现有方法。
2024-12-05 cs.AI cs.LO cs.RO
Building a logical model in the machining domain for CAPP expert systems
近年来，专家系统技术在机械加工工艺设计中的应用得到了广泛的重视。本文介绍了一种新的形式化设计CAPP专家系统的方法。应用形式化方法提供了一种轮廓化的CAPP专家系统构建技术。理论方面的形式主义的描述和说明的一个例子的专有技术分析。该技术提供了在一个系统内利用多种知识类型和多种规划策略的灵活设施。
2006-06-07 cs.AI cs.CE cs.SE
Zero-Shot Trajectory Planning for Signal Temporal Logic Tasks
Department of Automation（自动化系）；Shanghai Jiao Tong University（上海交通大学）；Institute of Artificial Intelligence（人工智能研究院）；Xiamen University（厦门大学）
针对动力学未知系统的STL任务，提出一种分层规划框架，利用任务无关轨迹数据实现零样本泛化，通过分解规范、搜索定时路径点和扩散模型拼接轨迹，保证STL满足性并生成动态可行轨迹。
2025-10-26 cs.AI cs.LG cs.RO
