Path Planning under Time-Dependent Uncertainty
University of Michigan（密歇根大学）
在图中寻找最短路径的标准算法要求路径的成本在边成本中是可加的，并且通常假设成本是确定性的。我们考虑的问题，不确定的边缘成本，潜在的概率之间的依赖关系的成本。虽然这些依赖关系违反了标准的动态规划分解，我们确定了一个较弱的随机一致性条件，证明了一个广义的动态规划方法的基础上随机优势。我们提出了一个修正的路径规划算法，并证明它产生最优路径下的时间依赖的不确定成本。我们测试的算法，将其应用到随机总线网络的模型，并提出经验的性能结果比较它的一些替代品。最后，我们考虑将这些概念扩展到不确定性下更一般的一类启发式搜索问题。
2013-02-20 cs.AI
Optimising Rolling Stock Planning including Maintenance with Constraint Programming and Quantum Annealing
DB Systel GmbH（德国铁路系统有限公司）；Fraunhofer FOKUS（弗劳恩霍夫开放通信系统研究所）
本文针对含维护任务的机车车辆排班优化问题，分别提出约束规划（CP）和基于QUBO的量子退火（QA）方法，并在德国铁路真实数据与D-Wave量子计算机上验证，发现当前阶段两者结果相当。
2023-09-25 cs.AI q-fin.ST
A Column Generation based Heuristic for the Tail Assignment Problem
Polytechnique Montreal（蒙特利尔综合理工学院）
本文提出了一种有效的启发式加速列生成并行解决飞机的定价问题的尾部分配问题（TAP）。该方法是能够实现相当大的改善，在解决时间为现实生活中的测试实例，从两个主要的印度航空公司。本文考虑了根据航空监管机构对个别飞机进行维修路线的不同限制。我们还提出了一个变量固定启发式，以提高解决方案的完整性。约束编程和列生成的混合在加速解析过程中发挥了重要作用。
2020-09-25 cs.AI cs.CE
Comparing and Integrating Constraint Programming and Temporal Planning for Quantum Circuit Compilation
Quantum Artificial Intelligence Laboratory, NASA Ames Research Center（量子人工智能实验室，美国国家航空航天局阿姆斯特朗研究中心）；Planning and Scheduling Group, NASA Ames Research Center（规划与调度组，美国国家航空航天局阿姆斯特朗研究中心）；USRA Research Institute for Advanced Computer Science（美国宇航局高级计算机科学研究所）；Stinger Ghaffarian Technologies, Inc.（Stinger Ghaffarian技术公司）；Department of Mechanical & Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系）
本文比较了约束编程与时间规划在量子电路编译中的应用，提出混合方法提升求解质量，证明混合方法在多数问题中优于单独使用时间规划。
2018-03-19 cs.AI cs.ET cs.SY
Mixed Integer Programming for Time-Optimal Multi-Robot Coverage Path Planning with Efficient Heuristics
Simon Fraser University（西蒙弗雷泽大学）
本文首次提出混合整数规划模型最优求解MMRTC，并设计两种缩减变量的高效启发式，使多机器人覆盖时间可证明不超过最优解四倍，实验显示较两个最先进规划器平均减少27.65%和23.24%的覆盖时间。
2023-08-11 cs.AI cs.RO
PIP-LLM: Integrating PDDL-Integer Programming with LLMs for Coordinating Multi-Robot Teams Using Natural Language
Department of Computer Science, University of Southern California（计算机科学系，南加州大学）；GRASP Lab, University of Pennsylvania（GRASP实验室，宾夕法尼亚大学）
提出PIP-LLM框架，结合PDDL团队级规划与整数规划机器人级规划，将自然语言指令分解为子任务依赖图，优化旅行成本与负载，提升多机器人协调的成功率和可扩展性。
2025-10-26 cs.AI cs.RO
Sparsification for Fast Optimal Multi-Robot Path Planning in Lazy Compilation Schemes
Czech Technical University in Prague（布拉格捷克理工大学）
多机器人路径规划（MRPP）是指为机器人寻找从初始位置到指定目标位置的无碰撞路径。该问题通常使用无向图建模，其中机器人在顶点之间跨边缘移动。当代的最优求解算法包括直接解决问题的基于搜索的专用方法，以及将MRPP简化为不同形式的基于编译的算法，对于该不同形式的MRPP存在有效的求解器，例如约束编程（CP）、混合整数编程（MIP）或布尔可满足性（SAT）。在本文中，我们加强现有的SAT为基础的算法MRPP通过spartification的候选路径为每个机器人的目标布尔编码派生的集合。建议的路径集的稀疏化导致更小的目标布尔公式，可以更快地构造和求解，同时保持方法的最优性保证。
2021-03-08 cs.AI cs.RO
Automatic Operator-level Parallelism Planning for Distributed Deep Learning -- A Mixed-Integer Programming Approach
本文提出一种基于混合整数规划的算子级自动并行规划方法，通过双层求解框架兼顾最优性与计算效率，在相同内存约束下将计算气泡减少一半，性能达到或超越 DeepSeek DualPipe 等专家策略。
2025-03-12 cs.AI cs.DC cs.DM
DPMC: Weighted Model Counting by Dynamic Programming on Project-Join Trees
Rice University（莱斯大学）
我们提出了一个统一的动态规划框架来计算精确的文字加权模型计数的公式合取范式。在我们的框架的中心是项目连接树，它指定了有效的项目连接顺序，以应用加法投影（变量消除）和连接（子句乘法）。在这个框架中，模型计数分两个阶段进行。首先，计划阶段从公式构造项目连接树。第二，执行阶段计算公式的模型计数，采用由项目连接树引导的动态规划。我们经验评估规划阶段的各种方法，并比较约束满意度算法与树分解工具。我们还调查了不同的数据结构的执行阶段的性能和比较代数决策图与张量。我们表明，我们的动态编程模型计数框架DPMC是最先进的精确加权模型计数器cachet，c2d，d4和miniC2D的竞争力。
2020-08-20 cs.AI cs.DS cs.LO
Planning with Preferences using Logic Programming
我们提出了一个声明性的语言，PP，规划问题的可能的解决方案（或轨迹）之间的偏好的高层次规范。这种新颖的语言允许用户优雅地表达非平凡的、多维的偏好和优先于这些偏好的优先级。PP的语义允许识别给定目标的最优选轨迹。我们还提供了一个答案集编程实现规划问题与PP的喜好。
2005-08-31 cs.AI
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
Probabilistic Planning by Probabilistic Programming
University of Edinburgh（爱丁堡大学）；Alan Turing Institute（艾伦·图灵研究所）
自动规划是人工智能的一个重要研究课题，有着悠久而杰出的历史。经典范式假设一个由一组事实组成的独特的初始状态，并定义为一组以某种方式改变该状态的行为。然而，在许多现实世界的环境中，规划要复杂得多：智能体的知识几乎从来都不是简单的一组真实的事实，智能体打算执行的行动从来都不是按照它们应该的方式运行的。因此，概率规划试图将随机模型直接纳入规划过程。在这篇文章中，我们通过概率规划的镜头简要报告了概率规划：一种旨在简化结构化概率分布规范的编程范式。特别是，我们提供了一个概述的功能，两个系统，HYPE和ALLEGRO，强调不同的优势的概率规划，特别是有用的复杂的建模问题提出的概率规划。除此之外，与这些系统，一个可以实例化规划问题的增长和收缩的状态空间，离散和连续的概率分布，以及非唯一的先验分布在一阶设置。
2018-01-25 cs.AI
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
Application of a Fuzzy Programming Technique to Production Planning in the Textile Industry
Universiti Technologi PETRONAS（马来西亚石油科技大学）；Swinburne University of Technology Sarawak Campus（斯威本科技大学砂拉越分校）
许多工程优化问题可以被认为是线性规划问题，其中涉及的所有或一些参数是语言的性质。这些只能用模糊集来量化。本文的目的是解决一个模糊线性规划问题，其中所涉及的参数是模糊量的逻辑隶属函数。为了探讨该方法的适用性，以某家纺集团的月度生产计划定额和利润为例进行了计算。
2010-01-13 cs.AI
Planning and Scheduling in Hybrid Domains Using Answer Set Programming
University of Arkansas at Pine Bluff（阿肯色大学松崖分校）
在本文中，我们提出了一个行动的回答集编程为基础的方法来解决规划和调度问题的混合域-域表现出离散和连续的行为。我们使用动作语言H表示域，然后将得到的理论转化为A-Prolog程序。通过这种方式，我们减少了寻找解决方案的问题，规划和调度问题的计算答案集的A-Prolog程序。我们从文献中引用了一个计划和调度的例子，并展示了如何在H。我们将展示如何将所得到的H理论转化为一个等价的A-Prolog程序。我们计算得到的程序使用的混合求解器称为EZCSP松散集成的约束求解器与答案集求解器的答案集。求解器允许我们推理实数上的约束，并计算复杂计划和调度问题的解决方案。结果表明，我们的方法可以适用于任何规划和调度问题的混合域。
2013-01-08 cs.AI
Planning as Tabled Logic Programming
CUNY Brooklyn College and Graduate Center（纽约市立大学布鲁克林学院及研究生中心）；Charles University（查理大学）；Univ. di Udine（乌迪内大学）
本文介绍了Picat的规划器及其实现，以及2014年国际规划竞赛（IPC）中使用的几个领域的规划模型。Picat的规划器是用制表法实现的。在搜索过程中，遇到的每个状态都被表化，表化的状态用于有效地执行资源受限搜索。在Picat中，结构化数据可以用来避免枚举所有可能的对象排列，术语共享用来避免公共状态数据的重复。本文提出了几种建模技术，通过示例模型，从设计状态表示，以促进数据共享和对称性破缺，编码操作的操作，有效的前提条件检查和状态更新，结合领域知识和算法。广泛地说，本文证明了有效的表格逻辑规划，并认为建模的重要性，尽管最近取得了重大进展，独立于域的PDDL规划。
2015-07-14 cs.AI
Solving Gossip Problems using Answer Set Programming: An Epistemic Planning Approach
Sabanci University（萨班哲大学）；Institut de Recherche en Informatique de Toulouse（图卢兹信息学研究所）；Université Paul Sabatier（保罗·萨巴蒂埃大学）
我们调查使用答案集编程来解决各种各样的八卦问题，通过将它们建模为认知规划问题。
2020-09-22 cs.AI cs.LO
SYNERGY: A Linear Planner Based on Genetic Programming
在本文中，我们描述SYNERGY，这是一个高度并行化，线性规划系统，是基于遗传编程范式。SYNERGY并没有对它所规划的世界进行推理，而是使用人工选择、重组和适应度来生成线性计划，以解决合取目标。我们在几个域上运行SYNERGY（例如，公文包问题和机器人导航问题的几个变体），实验结果表明，我们的规划器能够处理的问题实例是一个到两个数量级大于UCPOP解决的问题。为了促进搜索减少和提高表现力的协同，我们还提出了两个主要的扩展我们的规划系统：一个形式主义使用层次规划运营商，和一个框架，在动态环境中的规划。
1998-10-16 cs.AI
Reasoning and Planning with Sensing Actions, Incomplete Information, and Static Causal Laws using Answer Set Programming
我们在[Son and Baral 2000]中将感知行为和不完全信息的0-近似扩展到具有静态因果律的行为理论，并证明了它在可能世界语义上的可靠性。我们还表明，关于这个近似的条件规划问题是NP完全的。然后，我们提出了一个答案集编程为基础的条件规划，称为ASCP，这是能够产生符合计划和条件计划中存在的传感行动，不完整的信息的初始状态，和静态因果关系的法律。我们证明了我们的实现的正确性，并认为我们的计划是健全的和完整的建议的近似。最后，我们提出的实验结果比较ASCP到其他规划。
2006-05-04 cs.AI
Using Tabled Logic Programming to Solve the Petrobras Planning Problem
Charles University in Prague（布拉格查理大学）；The City University of New York（纽约市立大学）；Brooklyn College（布鲁克林学院）
制表已经使用了一段时间，通过记忆回答的查询来提高Prolog程序的效率。同样的想法可以自然地用于在搜索规划期间记住访问过的状态。在本文中，我们提出了一个规划器开发的Picat语言来解决巴西石油公司的规划问题。Picat是一种新型的Prolog类语言，它提供了模式匹配、确定性和非确定性规则，并将制表作为其核心建模和求解功能。我们使用巴西石油公司的问题来证明这些能力，其目标是计划使用容量有限的船只将货物从港口运输到平台。蒙特卡罗树搜索是迄今为止解决这个问题的最佳技术，我们将证明，通过使用制表，我们可以实现更好的运行时效率和更好的计划质量。
2014-05-11 cs.AI
CLMASP: Coupling Large Language Models with Answer Set Programming for Robotic Task Planning
University of Science and Technology of China（中国科学技术大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）
本文提出CLMASP方法，结合大语言模型和答案集编程，解决机器人任务规划中计划落地问题，实验显示其执行率显著提升。
2026-06-28 cs.AI
A Bilinear Programming Approach for Multiagent Planning
University of Massachusetts（马萨诸塞大学）
多智能体规划和协调问题是常见的，并且已知计算困难。我们表明，广泛的两个代理问题可以制定为双线性规划。我们提出了一个连续的近似算法，显着优于覆盖集算法，这是国家的最先进的方法，这类多智能体问题。由于该算法是针对双线性规划的，因此更具有一般性，实现起来也更简单。新的算法可以在任何时候终止，不像覆盖集算法，它有利于推导出一个有用的在线性能界限。它也更有效，平均将最优解的计算时间减少了大约四个数量级。最后，我们介绍了一种自动降维方法，提高了算法的有效性，将其适用性扩展到新的领域，并提供了一种新的方法来分析一个子类的双线性规划。
2014-01-15 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
Mixed Integer Linear Programming For Exact Finite-Horizon Planning In Decentralized Pomdps
INRIA-Lorraine（洛林法国国家信息与自动化研究所）；Loria（洛林计算机科学及其应用实验室）
我们考虑的问题，找到一个n-agent联合政策的最优有限时域控制的分散Pomdp（Dec-Pomdp）。这是一个非常复杂的问题（NEXP困难，n >= 2）。在本文中，我们提出了一个新的数学规划方法的问题。我们的方法是基于两个想法：第一，我们代表每个代理的政策在序列的形式，而不是在树的形式，从而获得一个非常紧凑的表示的联合政策。其次，使用这种紧凑的表示，我们解决这个问题的组合优化的情况下，我们制定了一个混合整数线性规划（MILP）。MILP的最优解直接产生Dec-Pomdp的最优联合策略。计算经验表明，制定和解决MILP需要显着更少的时间来解决基准Dec-Pomdp问题比现有的算法。例如，地平线4的多智能体老虎问题用MILP在72秒内解决，而现有的算法需要几个小时才能解决。
2007-07-17 cs.AI
PODDP: Partially Observable Differential Dynamic Programming for Latent Belief Space Planning
自主智能体观察世界状态的能力有限。部分可观测马尔可夫决策过程（POMDPs）对世界状态不确定性下的规划问题进行了形式化建模，但具有连续动作和非线性动力学特性的POMDPs适合于机器人应用，其求解具有挑战性。在本文中，我们提出了一个有效的差分动态规划（DDP）算法的信任空间规划POMDP的不确定性在一个离散的潜在状态，连续的状态，行动，观察，和非线性动力学。这种表示允许规划的动态轨迹是敏感的离散的潜在世界状态的结构化不确定性。我们开发了动态规划技术，以优化一个可能的观测和信念空间轨迹树的应急计划，并得出一个层次版本的算法。我们的方法适用于成本或回报函数不确定的问题（例如，目标或障碍的配置），动态的不确定性（例如，混合系统的动态模式），以及交互的不确定性，其中其他代理的行为取决于潜在的意图。基准测试表明，我们的算法优于流行的启发式方法规划下的不确定性，从一个自主变道任务的结果表明，我们的算法可以合成强大的互动轨迹。
2019-12-14 cs.AI cs.RO
Programming over Thinking: Efficient and Robust Multi-Constraint Planning
Nanyang Technological University（南洋理工大学）；Agency for Science, Technology and Research（科技研究局）
多约束规划面临挑战，现有大语言模型方法有局限。本文提出SCOPE框架，将特定查询推理与通用代码执行分离，产生一致、可重用的求解器函数，降低成本和延迟，性能达最优。
2026-07-13 cs.AI
Answer Set Planning Under Action Costs
TU Wien（维也纳工业大学）；University of Calabria（卡拉布里亚大学）
最近，规划的基础上回答集编程已被提出作为一种实现声明式规划系统的方法。在本文中，我们提出了语言Kc，它扩展了声明式规划语言K的行动成本。Kc提供了容许和最优计划的概念，这些计划的总行动成本在给定的限制内。所有计划中的最小值（即，最便宜的计划）。正如我们所展示的，这种新颖的语言允许以声明的方式表达一些重要的规划任务。此外，它可以用于表示规划问题下的其他最优性标准，如计算“最短”的计划（步骤数最少），和细化组合的最便宜和最快的计划。我们研究的语言KC的复杂性方面，并提供了一个转换到逻辑程序，这样的规划问题，通过答案集编程解决。此外，我们报告选定的问题的实验结果。我们的经验是令人鼓舞的，答案集规划可能是一个有价值的方法，表达规划系统中，复杂的规划问题可以自然地指定和解决。
2011-06-26 cs.AI
Probabilistic Relational Planning with First Order Decision Diagrams
Oregon State University（俄勒冈州立大学）；Tufts University（塔夫茨大学）
动态规划算法已成功地应用于命题随机规划问题，通过使用紧凑的表示，特别是代数决策图，捕捉域动态和价值函数。符号动态规划的工作提升了这些想法，一阶逻辑使用几种表示方案。最近的工作介绍了一阶变量的决策图（FODD），并开发了一个值迭代算法，这种表示。本文开发了几个改进的FODD算法，使该方法的实用。这些包括，新的减少运营商，减少的大小表示，几个加速技术，和技术的值近似。在此基础上，提出了一个求解相关随机规划问题的规划系统FODD-Planner。该系统在几个领域进行了评估，包括最近的国际规划竞赛的问题，并显示出与顶级系统的竞争力。这是第一次证明这种方法的可行性，它表明，通过紧凑的表示抽象是一个很有前途的方法随机规划。
2014-01-16 cs.AI
Long-term Power Grid Planning via Answer Set Programming
University of Calabria, Italy（意大利卡拉布里亚大学）；University of Huddersfield, UK（英国赫德瑟菲尔德大学）
本文提出了一种基于答案集编程的自动化和优化长期电力网络规划方法，以解决可持续性目标、需求模式和城市化趋势等复杂问题。
2026-05-19 cs.AI cs.LO
SPUDD: Stochastic Planning using Decision Diagrams
University of British Columbia（不列颠哥伦比亚大学）
马尔可夫决策过程（MDP）作为决策理论规划的模型越来越受欢迎。虽然传统的动态规划方法对于状态空间较小的问题表现良好，但对于大型问题则需要结构化方法。我们提出并研究了一个MDP的值迭代算法，它使用代数决策图（ADD）来表示价值函数和策略。一个MDP表示使用贝叶斯网络和ADDs和动态规划直接应用于这些ADDs。我们证明了我们的方法在大型MDP（高达6300万个状态），并表明，显着的收益相比，树结构的表示（与高达30倍减少所需的节点数量表示最佳价值函数）。
2013-01-23 cs.AI
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
Planning Anything with Rigor: General-Purpose Zero-Shot Planning with LLM-based Formalized Programming
MIT（麻省理工学院）；MIT-IBM Watson AI Lab（麻省理工-IBM沃森人工智能实验室）
本文提出LLMFP，一个利用LLM将规划问题形式化为优化问题并从头求解的通用零样本框架，在9个任务上平均最优率达83.7%以上，显著优于基线。
2025-07-09 cs.AI cs.CL
Determining ActionReversibility in STRIPS Using Answer Set and Epistemic Logic Programming
University of Klagenfurt（克拉根福大学）；Czech Technical University in Prague（捷克布拉格技术大学）
在关于行动和变化的规划与推理的上下文中，当一个行动的效果可以通过应用其他行动而恢复到原始状态时，我们称之为可逆的。对这一领域的重新关注已经在PDDL语言的上下文中产生了几个结果，PDDL语言广泛用于描述规划任务。在本文中，我们提出了几个解决方案的计算问题，决定可逆的行动。特别是，我们利用现有的翻译从PDDL到回答集编程（ASP），然后使用几种不同的编码来解决PDDL的PDPS片段的动作可逆性的问题。对于这些，我们使用ASP，以及认知逻辑编程（ELP），ASP与认知算子的扩展，并比较和对比它们的优点和缺点。正在考虑接受TPLP。
2021-08-11 cs.AI
Human Robot Collaborative Assembly Planning: An Answer Set Programming Approach
Faculty of Engineering and Natural Sciences, Sabancı University, Istanbul, Turkey（工程与自然科学学院，萨班奇大学，伊斯坦布尔，土耳其）
本文提出一种基于答案集编程的协作装配规划方法，结合常识推理和丰富的沟通动作，用于处理不确定性和确保安全协作。
2020-08-08 cs.AI cs.LO cs.RO
Generating Planning Feedback for Open-Ended Programming Exercises with LLMs
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对开放式编程练习中自动评分无法反馈规划过程的问题，提出用LLM检测学生程序的高层级规划，证明GPT-4o及微调后的GPT-4o-mini检测准确率高且小型模型成本低，可助力实时反馈并有望扩展到其他学科。
2025-04-11 cs.AI cs.CL
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
Planning-Driven Programming: A Large Language Model Programming Workflow
School of Computing and Information Systems, The University of Melbourne（计算与信息系统学院，墨尔本大学）
提出一种两阶段LLM编程工作流（LPW），通过计划验证与代码实现分离，显著提升代码生成准确率，在多个基准上创下新纪录。
2025-05-23 cs.AI cs.SE
PDSketch: Integrated Planning Domain Programming and Learning
MIT Computer Science & Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）；MIT Department of Brain and Cognitive Sciences（麻省理工学院脑与认知科学系）；Center for Brains, Minds and Machines（脑、心智与机器中心）
该研究提出PDSketch领域定义语言，支持用户定义环境转移模型高层结构并由神经网络补全细节，可自动生成规划启发式算法，提升机器人模型泛化、数据与运行效率，加速新目标规划。
2023-08-24 cs.AI cs.LG cs.RO
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
Hybrid Conditional Planning using Answer Set Programming
Sabanci University（萨班哲大学）
我们介绍了一种并行离线算法计算混合条件计划，称为HCP-ASP，面向机器人应用。HCP-ASP依赖于建模的驱动动作和感应动作在一个富有表现力的非单调语言的答案集编程（ASP），和计算的分支的条件计划并行使用ASP求解器。特别是，由于外部原子，连续的可行性检查（如碰撞检查）被嵌入到ASP中的驱动动作和传感动作的正式表示中;因此，混合条件计划的每个分支描述了一个可行的动作执行，以达到其目标。利用非单调的结构和非确定性的选择，部分知识的状态和非确定性的影响感测行动可以明确形式化的ASP，因此，每个分支的条件计划可以计算的ASP求解器，而不需要一致的计划和排序的感测行动提前。我们应用我们的方法在服务机器人领域和报告的实验评估。此外，我们提出的性能比较与其他编译为基础的条件规划标准化的基准域。本文件正在考虑被TPLP接受。
2017-07-19 cs.AI cs.LO cs.RO
Approximate Dynamic Programming for Planning a Ride-Sharing System using Autonomous Fleets of Electric Vehicles
Operations Research and Financial Engineering Department（运筹学与金融工程系）
本文研究了自动驾驶电动车拼车系统中的调度问题、 surge定价问题和车队规模规划问题，采用近似动态规划方法来优化车辆分配、充电和重新定位决策，并通过分层聚合技术提高价值函数估计的准确性，同时利用自适应学习方法确定每趟行程的定价。
2018-12-11 cs.AI cs.SY eess.SY
Intuitive Programming, Adaptive Task Planning, and Dynamic Role Allocation in Human-Robot Collaboration
本综述聚焦人机协作（HRC）中人类被动参与、机器人难适配的问题，识别并连接直观信息交换与技能转移的关键组件，考察交互全流程，为更自适应、易访问的HRC指明趋势与方向。
2025-11-11 cs.AI cs.LG cs.RO
KiloBot: A Programming Language for Deploying Perception-Guided Industrial Manipulators at Scale
Mech-Mind Robotics（梅卡曼德机器人）
本文提出领域特定语言 KiloBot，通过易用的 TAMP 问题构建接口和灵活控制流机制，结合图形化编程前端，使无编程经验的操作员也能大规模部署感知引导的工业机械臂应用。
2024-09-05 cs.AI cs.PL cs.RO
Simultaneous Contact-Rich Grasping and Locomotion via Distributed Optimization Enabling Free-Climbing for Multi-Limbed Robots
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
腿式机器人的运动规划已经取得了很大的成功，但对于多指灵巧抓取的足式机器人的运动规划还不成熟。我们提出了一种有效的运动规划框架，用于同时解决运动（例如，质心动力学），抓取（例如，贴片接触），和接触（例如，步态）问题。为了加快规划过程，我们提出了分布式优化框架的基础上交替方向乘法（ADMM）来解决原来的大规模混合非线性规划（MINLP）。由此产生的框架使用混合二次规划（MIQP）来解决接触问题，使用非线性规划（NLP）来解决非线性动力学问题，这些问题在计算上更易于处理，对参数不太敏感。此外，我们明确地执行补丁接触限制从极限曲面与微脊柱夹具。我们在硬件实验中证明了我们提出的框架，表明多肢机器人能够以更短的规划时间实现各种运动，包括以45°倾角自由攀爬。
2022-07-05 cs.AI cs.RO cs.SY
