Decentralized Cooperative Planning for Automated Vehicles with Hierarchical Monte Carlo Tree Search
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；FZI Research Center for Information Technology（FZI信息技术研究中心）
今天的自动驾驶汽车缺乏与他人进行隐性合作的能力。本文提出了一种基于蒙特卡罗树搜索（MCTS）的方法，用于异构环境中自动驾驶汽车的分布式协作规划。基于其他代理和解耦UCT（MCTS的一个变种）的合作建模，该算法评估的状态动作值的每个代理在一个合作和分散的方式，明确地建模交通参与者之间的相互依赖的行动。宏操作允许在多个时间步长上的时间扩展，并增加有效的搜索深度，需要更少的迭代来规划更长的视野。没有预定义的宏动作的策略，该算法同时学习宏动作上和宏动作内的策略。该方法在几种冲突场景下进行了评估，表明该算法可以在异构环境中实现有效的协同规划与学习的宏动作。
2018-07-25 cs.AI
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
Reformulation Techniques for Automated Planning: A Systematic Review
University of Huddersfield（哈德斯菲尔德大学）
本文系统综述了自动规划中改写技术的研究，旨在提供该领域全面视角并促进未来研究。
2023-01-30 cs.AI
Integrating AI Planning Semantics into SysML System Models for Automated PDDL File Generation
Institute of Automation Technology（自动化技术研究所）；Helmut Schmidt University（海姆·施密特大学）；Ruhr University（鲁尔大学）
本文提出一种SysML配置档，将PDDL规划语义及OCL约束嵌入系统模型，并通过飞机制造机器人案例验证其可自动生成PDDL领域与问题文件。
2025-06-07 cs.AI
Automated Generation of Complexity-Validated Decision Scenarios Using Large Language Models
Wayne State University（韦恩州立大学）
本研究针对手动生成决策场景的缺陷，开发了基于大语言模型的自动化流水线，生成并验证了4238个多领域场景，证实其具备良好心理测量学特性，可用于AI系统认知评估。
2026-08-11 cs.AI cs.CL
Exploring Instance Generation for Automated Planning
University of St Andrews（圣安德鲁斯大学）
人工智能的许多核心学科都有一套标准的基准问题，这些问题在开发新算法时被社区所熟知并广泛使用。约束编程和自动规划是这些领域的例子，其中新算法的行为是通过它在这些实例上的表现来衡量的。通常，每种求解方法的效率不仅在问题之间不同，而且在同一问题的实例之间也不同。因此，拥有不同的实例集对于能够有效地评估新的求解方法至关重要。当前用于约束编程问题的实例自动生成的方法从声明性模型开始，并搜索具有某些所需属性（例如硬度或大小）的实例。我们首先探讨的困难，适应这种方法来产生的实例开始在PDDL，自动规划社区的事实标准语言编写的问题规范。然后，我们提出了一种新的方法，整个规划问题的描述建模使用本质，一个抽象的建模语言，允许表达高层结构，而不承诺一个特定的低层次的PDDL表示。
2020-09-21 cs.AI
What Automated Planning can do for Business Process Management
Sapienza - University of Rome（罗马大学）
业务流程管理（BPM）是当今组织的核心要素。尽管多年来它的主要重点一直是支持高度控制的领域中的流程，但现在BPM社区感兴趣的许多领域的特征是不断变化的需求，不可预测的环境和影响流程实例执行的数据量不断增加。在这种动态条件下，BPM系统必须提高其自动化水平，以提供流程管理所需的反应性和灵活性。另一方面，人工智能（AI）社区已经将其努力集中在调查涉及计算实体和物理设备的主动控制的动态域（例如，机器人、软件代理等）。在这种情况下，自动规划是人工智能中最古老的领域之一，被认为是一种基于模型的方法，可以从模型中自动合成自主行为。在本文中，我们将讨论如何利用自动化计划技术来实现新的自动化水平和对业务处理的支持，并展示一些成功应用于BPM生存周期不同阶段的具体示例。
2017-10-20 cs.AI
Herding the Crowd: Automated Planning for Crowdsourced Planning
Arizona State University（亚利桑那州立大学）
人们对众包和人工计算产生了极大的兴趣。人类计算应用的一个子类是针对涉及规划（例如旅行规划）和调度（例如会议调度）的任务的那些。这些工作大部分都出现在传统的自动规划论坛之外，而且在一开始，人们并不清楚自动规划是否在这些人类计算系统中发挥了很大的作用。然而，有趣的是，对这些系统的研究表明，即使是对人类规划者进行自动监督的原始形式，也有助于显着提高人类/人群的有效性。在本文中，我们将认为，在这些系统中使用的自动化监督可以被视为一个原始的自动化规划，并有几个更复杂的自动化规划的机会，有效地引导众包规划。然而，当前规划技术的直接适应受到人类工作者和自动规划器之间的能力不匹配的阻碍。我们确定了两个重要的挑战，需要克服这种适应规划技术可以发生之前：（i）解释人类工作者（和请求者）的输入和（ii）指导或批评的计划正在由人类工作者武装只有不完整的域和偏好模型。在本文中，我们讨论了处理这些挑战的方法，并根据他们在处理这些挑战时所做的具体选择来描述现有的人类计算系统。
2013-07-29 cs.AI cs.HC
Loosely Coupled Formulations for Automated Planning: An Integer Programming Perspective
Arizona State University（亚利桑那州立大学）；University of Colorado at Boulder（科罗拉多大学博尔德分校）
我们表示规划作为一组松散耦合的网络流问题，其中每个网络对应于规划域中的一个状态变量。网络节点对应于状态变量值，网络弧对应于值转换。规划问题是在每个网络中找到一条路径（一系列动作），这样，当合并时，它们构成一个可行的计划。在本文中，我们提出了一些整数规划公式，这些松散耦合的网络模型具有不同程度的灵活性。由于合并可能会引入指数级的许多排序约束，我们实现了所谓的分支和切割算法，这些约束是动态生成的，并在需要时添加到配方。我们的结果是非常有前途的，他们改进了以往的规划方法的整数规划方法，并奠定了整数规划方法的成本最优规划的基础。
2011-10-31 cs.AI
Dynamic Tree Databases in Automated Planning
Oliver Joergensen（1 奥利弗·乔尔金森）；Dominik Drexler（2 朵米克·德雷克斯勒）；Jendrik Seipp（3 班德里克·塞普）
针对自动规划中显式状态空间搜索的状态紧凑表示难题，提出新型动态树数据库，证明其保留静态树数据库特性，实验显示其压缩比达数个数量级且运行开销可忽略。
2025-11-16 cs.AI
Bridging Engineering and AI Planning through Model-Based Knowledge Transformation for the Validation of Automated Production System Variants
本文提出一种模型驱动方法，通过专用SysML profile和算法将规划语义集成到工程模型中并自动生成PDDL规划工件，实现自动化生产系统变体的AI规划验证。
2025-09-15 cs.AI
Automated architectural space layout planning using a physics-inspired generative design framework
Australian National University（澳大利亚国立大学）；Deakin University（迪肯大学）
针对人工建筑空间布局规划复杂耗时的问题，研究提出融合物理启发参数化模型与进化优化元启发式算法的生成式设计框架，可在方案设计阶段生成多样方案以应对复杂设计问题。
2024-06-21 cs.AI
Automated Screw Planning for Reduced Pelvic Fractures Based on Statistical Shape Models and Deep Learning
Beijing Rossum Robot Technology Co., Ltd.（北京罗萨姆机器人科技有限公司）；Beihang University（北京航空航天大学）；Beijing 101 High School International Department（北京一零一中学国际部）
本研究提出一种基于统计形状模型和深度学习的骨盆骨折骶髂螺钉自动规划流程，在200例临床病例中使安全裕度提升2%、规划时间减少90%以上，临床接受率达95%。
2026-09-30 cs.AI
PentestChain: A Cost-Aware, MCP-Orchestrated Framework for Automated Penetration Testing with Free-Tier LLMs
University of Wales Trinity Saint David（威尔士三一圣大卫大学）；The University of Jordan（约旦大学）
PentestChain提出一种成本感知的自动化渗透测试框架，通过确定性图谱与免费层LLM级联实现零API成本，并分析MCP攻击面，提供可重现的评估协议。
2026-09-21 cs.AI cs.CR cs.NI
Understanding the Capabilities of Large Language Models for Automated Planning
University of South Carolina（南卡罗来纳大学）；IBM T.J. Watson Research Center（IBM托马斯·J·沃森研究中心）；University of Udine（乌迪内大学）；University of Brescia（布雷西亚大学）
本文通过四个关键问题系统评估大型语言模型在自动规划中的能力，比较预训练数据、微调与提示方法，并考察计划泛化能力，为LLMs在复杂规划问题中的应用提供方法指导。
2023-05-25 cs.AI
From Capability Models to Automated Planning: An AAS-Native Approach for Automatic PDDL Generation
Institute of Automation Technology, Helmut Schmidt University Hamburg（海德堡-施密特大学汉堡自动化技术研究所）；Chair of Automation Technology, Ruhr University Bochum（博尔塔伦大学博德姆自动化技术教授团）
提出一种基于资产管理外壳（AAS）能力模型自动生成PDDL规划问题的方法，使工程师无需掌握PDDL语法即可进行生产系统布局验证。
2026-06-01 cs.AI
Overview of Tools Supporting Planning for Automated Driving
Virtual Vehicle Research Center（虚拟车辆研究中心）
规划是自动驾驶领域的一个重要主题。除了文献中广泛涉及的规划算法之外，规划还需要不同的软件工具来进行开发、验证和执行。本文提出了一个调查，这些工具包括地图表示，通信，交通规则，开源规划栈和中间件，仿真和可视化工具以及基准。我们首先定义规划任务和不同的支持工具。接下来，我们提供了一个全面的国家的最先进的发展和分析它们之间的关系。最后，我们讨论了目前的差距，并提出了未来的研究方向。
2020-03-09 cs.AI cs.RO
Complex LLM Planning via Automated Heuristics Discovery
Texas A&M University（得克萨斯农工大学）
提出AutoHD方法，让大语言模型显式生成并进化启发式函数以引导推理时搜索，无需训练或微调，在多个基准上显著提升规划准确率，兼具可靠性与可解释性。
2025-02-26 cs.AI
Generating Dialogue Agents via Automated Planning
IBM Research（IBM研究院）；IBM Watson（IBM沃森）；SilverGate – IBM Argentina（银门——IBM阿根廷）
对话系统具有许多应用，例如客户支持或问答。通常，它们仅限于浅的单圈相互作用。然而，更高级的应用程序，如职业教练或计划旅行，需要更复杂的多轮对话。会话系统的当前限制使得难以支持需要个性化、定制和上下文相关交互的应用。我们通过使用独立于领域的人工智能规划来自动创建对话计划来解决这个具有挑战性的问题，这些计划可以定制以引导对话实现给定的目标。输入包括原子对话动作库、对话的初始状态和目标。对话计划被插入到一个对话系统中，能够协调它们的执行。用例证明了该方法的可行性。我们在对话规划方面的工作已被纳入一个产品，目前正在部署到另一个产品中。
2019-02-02 cs.AI
TONE: A 3-Tiered ONtology for Emotion analysis
Indian Institute of Technology Patna（印度理工学院巴特那分校）
针对现有跨领域情感分类缺乏公开可用通用知识库的问题，本研究基于Gerrod Parrot的情感分组提出三层情感本体TONE，配套半自动化词汇构建流程与三类依赖关系自动建立方法，经评估验证质量并展示了三类应用场景。
2024-01-11 cs.AI
A Novel Automated Curriculum Strategy to Solve Hard Sokoban Planning Instances
Cornell University（康奈尔大学）
近年来，我们见证了深度强化学习（RL）在围棋、国际象棋、视频游戏和机器人控制等任务中的巨大进步。然而，其他组合领域，如人工智能规划，仍然对RL方法提出了相当大的挑战。在这些领域的关键困难是，一个积极的奖励信号成为{ \em指数罕见}的最小解长度增加。因此，RL方法会丢失其训练信号。最近，通过使用一种旨在解决单个硬实例的基于知识驱动的学习方法，已经取得了令人鼓舞的进展。我们提出了一种新的{ \em automated}课程的方法，动态地选择从我们的{ \em难度量子动量}策略的指导下，不同的任务复杂性的未标记的训练实例池。我们展示了任务难度的平滑度如何影响最终的学习结果。特别是，随着实例池的大小增加，“硬度差距”减小，这有助于更顺畅的基于自动化课程的学习过程。我们的自动化课程方法大大改进了以前的方法。我们展示了我们的结果推箱子，这是一个传统的PSPACE完整的规划问题，并提出了一个很大的挑战，即使是专业的解决方案。我们的RL代理可以解决任何以前最先进的推箱子求解器都无法解决的困难实例。特别是，我们的方法可以发现需要数百个步骤的计划，而以前最好的搜索方法需要多年的计算时间来解决这些问题。此外，我们表明，我们可以进一步提高强化学习的性能与我们的自动化课程的方法与好奇心驱动的搜索策略和图形神经网络表示的复杂耦合。
2021-10-03 cs.AI
On the Importance of Domain Model Configuration for Automated Planning Engines
Czech Technical University in Prague（布拉格捷克理工大学）；Charles University in Prague（布拉格查理大学）；University of Freiburg（弗莱堡大学）
人工智能规划社区中独立于领域的规划器的发展正在导致可用于广泛应用的“现成”技术。此外，它还允许采用模块化方法-其中规划人员和领域知识是较大软件应用程序的模块-这种方法便于替换或改进个别模块，而不改变系统的其余部分。这种方法还支持使用重构和配置技术，这些技术改变了模型的表示方式，以提高计划生成的效率。在这篇文章中，我们研究了领域无关规划器的性能如何受到领域模型配置的影响，即，模型中元素的排序顺序，特别是根据计划者的比较。然后，我们介绍了技术的在线和离线配置的领域模型，我们分析了领域模型配置的影响，对其他重新制定的方法，如宏。
2020-10-15 cs.AI
Automated Urban Planning aware Spatial Hierarchies and Human Instructions
传统的城市规划要求城市专家花费大量的时间和精力，在许多建筑约束条件下制定最佳的城市规划。深度生成学习的非凡想象力为革新城市规划提供了希望。虽然自动化城市规划师已经被审查，他们受到限制，因为以下几点：1）忽视城市规划中的人类需求; 2）忽略城市规划中的空间层次结构; 3）缺乏大量的城市规划数据样本。为了克服这些局限性，我们提出了一个新颖的，深刻的，人类指导的城市规划师。在初步的工作中，我们制定成一个编码器-解码器的范例。编码器是学习周围环境的信息分布，人类的指令，和土地使用配置。解码器是重建土地利用结构和相关的城市功能区。重建过程将捕捉功能区和空间网格之间的空间层次结构。同时，我们引入了一个变分高斯机制，以减轻数据稀疏性问题。尽管早期的工作已经取得了很好的效果，但生成的性能仍然不稳定，因为捕获空间层次的方式可能会导致优化方向不明确。在这个期刊版本中，我们提出了一个基于生成对抗网络（GANs）的级联深度生成框架来解决这个问题，灵感来自城市专家的工作流程。特别是，第一个GAN的目的是基于来自人类指令和周围环境的信息来构建城市功能区。第二个GAN将根据已建成的功能区产生土地利用配置。此外，我们还提供了一个条件增强模块来增强数据样本。最后，我们进行了大量的实验来验证我们的工作的有效性。
2022-10-23 cs.AI
TRIP-PAL: Travel Planning with Guarantees by Combining Large Language Models and Automated Planners
Universidad Carlos III de Madrid（卡洛斯三世大学）
本文提出TRIP-PAL混合方法，利用LLM将旅行与用户信息转换为规划器可用的数据结构，再由自动规划器生成满足约束并优化效用的旅行计划，实验证明其优于单独使用LLM。
2024-06-14 cs.AI
Symmetry-Aware Transformer Training for Automated Planning
提出对比学习目标使Transformer感知对称性，结合架构改进，解决其在自动规划中因问题对称性导致的泛化困难。
2026-06-29 cs.AI cs.LG
Abstraction Generation for Generalized Planning with Pretrained Large Language Models
Hunan University of Science and Technology（湖南科技大学）；Dongguan University of Technology（东莞理工学院）
本文提出利用预训练大语言模型生成通用规划的抽象，并通过自动化调试修正抽象，以提升规划效率。
2026-02-11 cs.AI
Strategic Planning for Network Data Analysis
Arizona State University（亚利桑那州立大学）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）
随着用于网络安全、恶意软件检测和其他关键任务的网络流量监控软件变得越来越自动化，警报和支持数据收集的速度以及底层模型的复杂性经常超过人类的处理能力。这些应用程序中的许多需要复杂的模型和组成规则，以便提出影响整个系统运行的决策。在本文中，我们激发了新的“战略规划”问题-从世界上收集数据，并应用域的底层模型，以提出将以自动化的方式监控系统的决策之一。我们描述了我们使用的自动规划方法来解决这个问题，包括我们用来解决它的方式，将扩展到一个实时的需求，现实世界的情况下的技术。然后，我们提出了一个PDDL模型的一个这样的应用场景相关的网络管理和监控，然后由一个新的集成系统，该系统是建立接受生成的计划，并继续执行过程中的描述。最后，我们提出了两个不同的自动化规划和他们不同的能力与我们的集成系统，无论是在六个月的网络数据窗口，并使用模拟器的评估。
2013-05-12 cs.AI
Automated planning with ontologies under coherence update semantics (Extended Version)
Institute of Theoretical Computer Science, TU Dresden, Germany（德累斯顿技术大学理论计算机科学研究所）；Department of Mathematics and Computer Science, University of Basel, Switzerland（巴塞尔大学数学与计算机科学系）
本文提出融合 eKABs 本体化动作条件与一致性更新语义的 DL-Lite 本体规划方法，证明复杂度不增，并通过多项式编译到经典规划实现和评估。
2025-07-23 cs.AI cs.LO
An enhanced motion planning approach by integrating driving heterogeneity and long-term trajectory prediction for automated driving systems
School of Transportation and Logistics, Southwest Jiaotong University（西南交通大学交通运输与物流学院）；University of Central Florida（中佛罗里达大学）；Lyles School of Civil Engineering, Purdue University（普渡大学莱尔土木工程学院）
针对复杂环境中自动驾驶系统导航困难的问题，提出一种融合周围人类驾驶车辆驾驶行为与长期轨迹预测的分层模型运动规划方法，以提升高速公路汇入场景下的驾驶安全性。
2023-08-02 cs.AI cs.RO
Reinforced Imitative Trajectory Planning for Urban Automated Driving
本文提出一种结合强化学习与模仿学习的多步轨迹规划方法，引入基于Transformer的贝叶斯奖励函数和混合驱动框架，在nuPlan数据集上显著优于基线并媲美最先进方法。
2025-07-16 cs.AI cs.RO
Heuristic Optimization for Automated Distribution System Planning in Network Integration Studies
Fraunhofer Institute for Energy Economics and Energy System Technology (IEE)（弗劳恩霍夫能源经济与能源系统技术研究所（IEE））；University of Kassel（卡塞尔大学）
网络集成研究试图评估未来发展对大规模网络区域的影响，例如可再生能源的增加或智能网格技术的引入。目标可以是支持监管框架中的战略调整，或适应配电系统运营商的网络规划原则。这项研究概述了一种自动化配电系统规划的方法，可以计算网络重构，加固和扩展计划，在一个完全自动化的方式。这使得大量的真实网络的大规模概率模拟的预期成本的估计，并构成了大规模网络集成研究的框架的核心组成部分。示例性的案例研究结果，与不同的主要配电系统运营商进行合作。案例研究涵盖了预期网络加固成本的估计、智能网格技术的技术和经济评估以及结构网络优化。
2018-02-16 cs.AI cs.CE
A Survey on Large Language Models for Automated Planning
George Mason University（乔治梅森大学）
该综述批判性梳理 LLM 在自动化规划中的研究，指出其不宜独立承担规划器，但与传统方法结合可发挥显著价值。
2025-02-18 cs.AI cs.CL
Multi-step Planning for Automated Hyperparameter Optimization with OptFormer
Carnegie Mellon University（卡内基梅隆大学）；Deepmind（深度思维）
随着机器学习渗透到越来越多的行业，模型的训练变得越来越昂贵和耗时，对高效自动化超参数优化（HPO）的需求从未如此紧迫。基于多步规划的超参数优化方法通过更有效地平衡探索和利用，有望提高效率。然而，这些方法的潜力还没有完全实现，由于其技术复杂性和计算强度。在这项工作中，我们利用最新的进展，基于transformer，自然语言接口的超参数优化，以规避这些障碍。我们建立在最近提出的OptFormer之上，它将超参数建议和目标函数近似作为自回归生成，从而通过推出简单有效地进行规划。我们进行了广泛的探索不同的策略，执行多步规划的OptFormer模型的顶部，以突出其潜力，用于构建非近视HPO策略。
2022-11-16 cs.AI cs.LG
Speeding Up Path Planning via Reinforcement Learning in MCTS for Automated Parking
本文提出将强化学习集成到蒙特卡洛树搜索中，通过迭代学习状态价值和策略生成器，在自动泊车路径规划中平衡探索与利用，从而在不依赖人类专家数据的情况下加速在线规划并保持质量。
2024-12-31 cs.AI cs.RO
Improving Automated Driving through POMDP Planning with Human Internal States
Stanford University（斯坦福大学）
这项工作研究的假设，部分可观察马尔可夫决策过程（POMDP）规划与人类驾驶员的内部状态，可以显着提高安全性和效率，在自动高速公路驾驶。我们在一个模拟场景中评估了这一假设，在这个场景中，自动驾驶汽车必须安全地连续进行三次车道变换。通过观测加宽部分可观测蒙特卡罗规划（POMCPOW）算法得到了POMDP的近似解。这种方法优于过度自信和保守的MDP基线，并匹配或优于QMDP。相对于MDP基准，POMCPOW通常将不安全情况的发生率降低一半或将成功率提高50%。
2022-06-09 cs.AI cs.RO
Automated Parking Planning with Vision-Based BEV Approach
针对BEV场景下自动泊车规划的实时性与安全性需求，提出融合运动学模型、启发式优化等的改进A*泊车算法，经CARLA-ROS仿真验证，相较传统算法计算更快、舒适性与复杂场景安全性更优。
2024-05-24 cs.AI cs.RO
Towards Automated Process Planning and Mining
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））；Saarland University（萨尔大学）
人工智能规划、机器学习和过程挖掘到目前为止已经发展成为独立的研究领域。与此同时，近年来在这些领域的交叉点上获得了许多有趣的概念和见解。例如，现在可以借助机器学习全面预测未来过程的行为。然而，对于这些发现的实际应用，不仅需要知道预期的过程，而且还需要给出实现目标的建议和提示，即进行全面的过程规划。与此同时，上述研究领域仍然缺乏充分的整合。在这篇文章中，我们提出了一个研究项目，其中来自AI和BPM领域的研究人员共同工作。因此，我们讨论的整体研究问题，相关领域的研究和我们的整体研究框架，自动从执行过程中的数据，获得后续的规划问题，并进行自动化规划，以适应性地计划和执行业务流程，使用实时预测的过程模型。
2022-08-18 cs.AI cs.SE
Automated Urban Planning for Reimagining City Configuration via Adversarial Learning: Quantification, Generation, and Evaluation
University of Central Florida（中佛罗里达大学）；Virginia Tech（弗吉尼亚理工大学）；University of Macau（澳门大学）
城市规划是指设计一个地区的土地使用配置的努力。然而，为了获得有效的城市规划，城市专家必须花费大量的时间和精力来分析复杂的规划约束，基于领域知识和个人经验。为了减轻他们的沉重负担并制定一致的城市规划，我们想问人工智能能否加速城市规划过程，以便人类规划师只根据特定需求调整生成的配置？深度生成模型的最新进展提供了一个可能的答案，它启发我们从对抗学习的角度自动化城市规划。然而，三个主要的挑战出现：1）如何定义一个定量的土地利用配置？2)如何自动化配置规划？3)如何评估生成的配置的质量？在本文中，我们系统地解决这三个挑战。具体来说，1）我们定义一个土地利用配置作为一个纬向通道张量。2)我们将自动化城市规划问题转化为深度生成学习的任务。目标是在给定目标区域的周围环境的情况下生成配置张量。3)我们提供了定量的评估指标，并进行了广泛的实验，以证明我们的框架的有效性。
2021-12-26 cs.AI cs.RO
Decentralized Cooperative Planning for Automated Vehicles with Continuous Monte Carlo Tree Search
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
城市交通场景通常需要交通参与者之间的高度合作，以确保安全和效率。通过观察他人的行为，人类可以推断出他人是否在合作。这项工作旨在扩展自动驾驶汽车的能力，使它们能够在异构环境中进行隐式合作。连续的行动允许任意的轨迹，因此适用于更广泛的一类问题比现有的合作方法与离散的行动空间。蒙特卡罗树搜索（MCTS）结合解耦UCT，基于其他智能体的合作建模，以合作和分散的方式评估每个智能体的行动值，尊重交通参与者之间的相互依赖性。连续动作空间的扩展是通过将新的MCTS特定的增强有效的搜索空间探索。在不同的场景下对该算法进行了评估，结果表明该算法能够实现有效的协同规划，并生成自我中心规划无法识别的解。
2018-09-10 cs.AI cs.RO
Hybrid Deep Reinforcement Learning and Planning for Safe and Comfortable Automated Driving
Saarland University（萨尔大学）；German Research Center for Artificial Intelligence（德国人工智能研究中心）
我们提出了一种新的混合学习方法，HyLEAR，用于解决POMDPs中自动驾驶汽车的无碰撞导航问题。HyLEAR利用插入式学习将混合规划器的知识嵌入深度强化学习器中，以更快地确定安全舒适的驾驶策略。特别地，混合规划器将行人路径预测和风险感知路径规划与基于驾驶行为规则的推理相结合，使得驾驶策略还尽可能地考虑乘坐舒适性和给定的驾驶行为规则集。我们对关键交通场景的CARLA-CTS 1基准的实验性能分析表明，HyLEAR在安全性和乘坐舒适性方面可以显着优于选定的基线。
2022-12-30 cs.AI cs.RO
Automated Process Planning Based on a Semantic Capability Model and SMT
Helmut Schmidt University（赫尔穆特·施密特大学）
本文提出一种结合语义能力模型与SMT的方法，自动生成AI规划问题并求解有效能力序列，实现自动化工艺规划并支持人类专家知识集成与决策解释。
2024-02-14 cs.AI cs.LO
Proactive Decision Support using Automated Planning
Arizona State University（亚利桑那州立大学）
主动决策支持（PDS）有助于改善人类决策者在人在环规划环境中的决策经验。在这里，决策的质量和决策的容易性都得到了提高。在这方面，我们提出了一个PDS框架，名为RADAR，基于人工智能中的自动规划研究，通过提供以下警报来帮助人类决策者制定计划以实现其目标：这样的计划是否能够成功，是否存在任何可能挫败她的计划的资源限制，这是通过生成和分析任何成功的计划在实现目标的道路上必须完成的里程碑来实现的。请注意，这种方法也支持自然决策，这被认为是主动决策支持的必要元素，因为它只通过建议和警报来帮助人类决策者，而不是强制执行固定的计划或决策。我们通过在消防领域的搜索和救援的例子证明了所提出的框架的实用性。
2016-06-24 cs.AI cs.HC
APTree: Extended Behavior Trees for Adaptive and Scalable Automated Robotic Task Planning in Construction
University of Stuttgart（斯图加特大学）；Institute for Computational Design and Construction（计算设计与建造研究所）；Institute for Control Engineering of Machine Tools and Manufacturing Units（机床与制造单元控制工程研究所）
本文提出APTree框架，以行为树为执行模型，集成自动化任务规划与模块化执行，通过协调异构符号规划器生成大规模任务规划，可检测规划错误并保障执行安全，助力建筑从业者便捷使用自动化任务规划。
2026-10-14 cs.AI cs.RO cs.SE
Architecture of an AI-Based Automated Course of Action Generation System for Military Operations
Ministry of National Defense（国防部长办公室）；Department of Smart Mobility Engineering（智能移动工程系）；Defense AI R&D Institute, Agency for Defense Development (ADD)（国防AI研发院，国防发展局）
本文基于公开信息，提出适用于行动方案规划各阶段的AI技术，并设计自动化行动方案规划系统架构。
2026-03-20 cs.AI cs.MA
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
PathWise: Planning through World Model for Automated Heuristic Design via Self-Evolving LLMs
Georgia Institute of Technology（佐治亚理工学院）
提出PathWise多智能体推理框架，将启发式生成建模为基于蕴含图的序列决策过程，通过策略智能体、世界模型智能体和评论智能体的协作实现状态感知规划，在组合优化问题上收敛更快、泛化更强。
2026-05-25 cs.AI cs.CL
Current State and Challenges of Automatic Planning in Web Service Composition
Concordia University（康考迪亚大学）
本文综述了Web服务组合的研究现状，分析了Web服务自动组合的难点和解决方案。本文首先给出了Web服务组合的定义，分析了Web服务组合的动机和目标，探讨了为什么需要自动化的Web服务组合，并对Web服务组合的域进行了形式化的定义。本文针对当前Web服务自动组合的难点，提出了相应的技术和解决方案。最后讨论了验证和未来的工作，以进一步扩展该主题。
2011-07-11 cs.AI cs.DC
A novel model-based heuristic for energy optimal motion planning for automated driving
Virtual Vehicle Research Center（虚拟车辆研究中心）；Graz University of Technology（格拉茨理工大学）
预测性运动规划是实现节能驾驶的关键，节能驾驶是自动驾驶的主要优势之一。研究人员一直在研究速度轨迹的规划，一种更简单的运动规划形式，十多年了，有许多不同的方法可用。动态规划已被证明是最常见的选择，由于其数值背景和能力，包括非线性约束和模型。虽然最佳轨迹的规划是以系统的方式完成的，但是动态规划不使用关于所考虑的问题的任何知识来指导探索，因此探索所有可能的轨迹。A* 是一种搜索算法，它可以使用有关问题的知识来引导探索最有希望的解决方案。知识必须以启发式函数的形式表示，这给出了过渡到最终状态的成本的乐观估计，这不是一个简单的任务。本文提出了一种新的动力学，结合空气阻力和辅助动力以及车辆的运营成本，除了动能和势能和滚动阻力在文献中已知的。进一步推导了最佳巡航速度，它取决于车辆的气动特性和辅助功率。结果进行了比较，不同的启发式函数和动态规划以及变种。
2018-03-08 cs.AI math.OC
Rebuild Dossier: Mechanically-Enforced Specs for Agentic App Rebuilds, and What Model-Tier Failures Reveal
本研究推出开源工具rebuild-dossier，通过锁定应用接口、自动化检查强制执行构建流程，发现模型层级故障并验证其有效性，工具可跨模型与工具链复现。
2026-10-30 cs.AI cs.SE
Driving Style Encoder: Situational Reward Adaptation for General-Purpose Planning in Automated Driving
Volkswagen AG（大众汽车公司）；Technische Universität Darmstadt（达姆施塔特工业大学）
自动驾驶的通用规划算法结合了任务、行为和局部运动规划。这种规划算法将环境和驾驶运动学的特征映射到复杂的奖励函数中。为了实现这一目标，规划专家通常依赖于线性奖励函数。这些奖励函数的规范和调优是一个繁琐的过程，需要大量的经验。此外，手动设计的线性奖励函数不能在不同的驾驶情况下推广。在这项工作中，我们提出了一种基于逆强化学习的深度学习方法，该方法可以生成依赖于情境的奖励函数。我们的神经网络提供了一个基于模型预测控制的规划器的采样驾驶策略的特征和动作之间的映射，并预测即将到来的规划周期的奖励函数。在我们的评估中，我们将深度网络预测的奖励函数的驱动风格与聚类和线性奖励函数进行了比较。我们提出的深度学习方法优于集群线性奖励函数，并且与具有有关情况的先验知识的线性奖励函数相当。
2020-09-13 cs.AI cs.LG cs.RO
EpiPlanAgent: Agentic Automated Epidemic Response Planning
Shanghai AI Laboratory（上海人工智能实验室）；Shanghai Center For Disease Control and Prevention（上海市疾病预防控制中心）
EpiPlanAgent利用大语言模型和多代理框架，实现自动化疫情响应规划，显著提升计划完整性并减少开发时间。
2025-12-12 cs.AI cs.CY
Model-based Workflow for the Automated Generation of PDDL Descriptions
Ruhr University（鲁尔大学）；Chair of Automation（自动化系）
本文提出一种基于MBSE的工作流，从集成系统与产品模型自动生成PDDL规划描述，并在飞机装配用例中验证其有效性。
2024-08-15 cs.AI cs.SE
Deep Human-guided Conditional Variational Generative Modeling for Automated Urban Planning
University of Central Florida（中佛罗里达大学）；Beihang University（北京航空航天大学）
城市规划设计土地使用配置，可以有利于建设宜居、可持续、安全的社区。受图像生成的启发，深度城市规划旨在利用深度学习来生成土地使用配置。城市规划是一个复杂的过程。现有的研究通常忽略了规划过程中的个性化人工指导需求，以及规划生成过程中的空间层次结构。此外，缺乏大规模的土地使用配置样本带来了数据稀疏的挑战。本文研究了一种新的深度人类引导的城市规划方法，以共同解决上述挑战。具体来说，我们制定了一个深的条件变分自编码器为基础的框架的问题。在这个框架中，我们利用深层编码器-解码器设计来生成土地使用配置。为了捕捉土地利用的空间层次结构，我们强制解码器生成功能区的粗粒度层和POI分布的细粒度层。为了整合人类的指导，我们允许人类描述他们需要的文本，并使用这些文本作为模型条件输入。为了降低训练数据的稀疏性，提高模型的鲁棒性，我们引入了变分高斯嵌入机制。它不仅使我们能够更好地近似训练数据的嵌入空间分布，并采样更大的人口，以克服稀疏性，但也增加了更多的概率随机性到城市规划生成，以提高嵌入多样性，从而提高鲁棒性。最后，我们提出了广泛的实验来验证我们的方法的增强性能。
2021-10-12 cs.AI cs.CV
Automated stereotactic radiosurgery planning using a human-in-the-loop reasoning large language model agent
本文提出利用人类在回路的推理大型语言模型代理进行自动化立体定向放射手术计划，通过对比推理模型与非推理模型，展示了推理模型在剂量优化和计划行为上的优势。
2025-12-23 cs.AI cs.CL cs.HC
