SPARO: Selective Attention for Robust and Compositional Transformer Encodings for Vision
Mila, Université de Montréal（米拉研究所，蒙特利尔大学）；Sony AI（索尼人工智能）；University of Washington（华盛顿大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
针对CLIP、DINO等Transformer主干视觉模型缺乏鲁棒性与组合性的问题，提出SPARO选择性注意力读出机制，通过单注意力头生成独立概念槽引入组合归纳偏置，在多项基准上实现性能提升，并可通过概念干预进一步优化。
2024-09-14 cs.AI cs.CV
Compact Policies for Fully-Observable Non-Deterministic Planning as SAT
University of Massachusetts（马萨诸塞大学）；ICREA；Universitat Pompeu Fabra（庞培法布拉大学）
完全可观测的非确定性（FOND）规划正变得越来越重要，作为一种方法来计算适当的政策，在概率规划，LTL规划的扩展时间计划，广义规划的一般计划。在这项工作中，我们引入了一个SAT编码FOND规划，是紧凑的，可以产生紧凑的强循环的政策。编码的简单变化也被引入用于强规划和我们所谓的双重FOND规划，其中一些不确定的动作被假设为公平的（例如，概率性的）和其它不公平的（例如，对抗性的）。由此产生的FOND规划者与现有的规划者在现有的和新的基准经验进行比较。“概率有趣的问题”的概念也重新审视，以产生一个更全面的图片的优势和局限性，目前FOND规划和拟议的SAT方法。
2018-06-25 cs.AI
Capturing (Optimal) Relaxed Plans with Stable and Supported Models of Logic Programs
Tampere University（坦佩雷大学）
本文建立松弛规划与逻辑程序语义的联系，提出用稳定模型双射刻画可排序动作子集，并用因果与诊断两种支持模型编码计算最优松弛计划，诊断编码在 STRIPS 基准上优于现有方法。
2023-06-08 cs.AI
Learning-based Motion Planning in Dynamic Environments Using GNNs and Temporal Encoding
UCSD（加州大学圣地亚哥分校）；MIT（麻省理工学院）
针对动态环境下运动规划需处理大状态空间时空交互的难题，提出结合时间编码、模仿学习与数据聚合的GNN方法，可大幅提升规划速度并保持高成功率。
2022-10-16 cs.AI cs.RO
When both Grounding and not Grounding are Bad -- A Partially Grounded Encoding of Planning into SAT (Extended Version)
本文提出一种部分 grounding 的 SAT 编码，在保持动作 lifted 的同时部分 grounding 预言，实现线性规模的规划效率，优于现有方法。
2026-03-19 cs.AI cs.LO cs.SC
Classical Planning as QBF without Grounding (extended version)
Aarhus University, Department of Computer Science（奥胡斯大学计算机科学系）
大多数经典规划器使用基础作为预处理步骤，本质上将规划简化为命题逻辑。然而，接地涉及到实例化所有的动作规则与具体的对象组合，并导致大的编码SAT/QBF为基础的规划。当行动具有许多参数时，这种严重的内存成本成为主要瓶颈，例如IPC 2018竞赛中的有机合成问题。我们提供了一个紧凑的QBF编码，是对数的对象的数量，并完全避免接地，通过使用对象组合的通用量化。我们表明，我们可以解决一些有机合成的问题，这是不能处理之前的任何SAT/QBF为基础的计划，由于接地。
2021-12-18 cs.AI
Formally Verified SAT-Based AI Planning
我们提出了一个可执行的正式验证SAT编码的经典AI规划。我们使用定理证明器Isabelle/HOL进行验证。我们实验测试验证编码，并表明它可以用于合理大小的标准规划基准。我们还使用它作为参考来测试最先进的基于SAT的规划器，表明它有时会错误地声称问题没有一定长度的解决方案。
2023-03-07 cs.AI cs.LO
Efficient Lookahead Encoding and Abstracted Width for Learning General Policies in Classical Planning
RWTH Aachen University（亚琛RWTH大学）；Linköping University（林雪平大学）
本文提出了一种高效的方法，通过整体编码和抽象宽度来提升经典规划中学习通用策略的效率和可扩展性，解决了传统方法在计算成本和表达能力上的限制。
2026-05-18 cs.AI
Symbolic Numeric Planning with Patterns
Politecnico di Torino（都灵理工大学）；Università di Genova（热那亚大学）；Università della Calabria（卡拉布里亚大学）
提出符号模式规划方法解决线性数值规划问题，通过动作序列模式将问题编码为变量和子句更少的公式，证明其完备性，并在IPC竞赛问题上表现优异。
2024-02-12 cs.AI
Encoding Reusable Multi-Robot Planning Strategies as Abstract Hypergraphs
Rice University（莱斯大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；ITAM（墨西哥自治技术学院）
本研究针对多机器人任务规划复杂度高、难在线求解的问题，结合DaSH超图框架与抽象学习技术，将单机器人策略学习方法扩展至多机器人场景以提升规划效率。
2024-09-16 cs.AI cs.MA cs.RO
Planning with Learned Binarized Neural Networks Benchmarks for MaxSAT Evaluation 2021
Monash University（莫纳什大学）；University of Toronto（多伦多大学）；KU Leuven（鲁汶大学）；University of Copenhagen（哥本哈根大学）
本文简要介绍了学习自动规划问题，其中状态转换函数是二进制神经网络（BNN）的形式，提出了一个通用的MaxSAT编码这个问题，并描述了四个域，即：导航，库存控制，系统管理员和Cellda，这是提交的基准MaxSAT评估2021。
2021-08-02 cs.AI
Learning First-Order Representations for Planning from Black-Box States: New Results
Universitat Pompeu Fabra（庞培法布拉大学）；University of Potsdam（波茨坦大学）；ICREA（加泰罗尼亚研究与高等研究院）
最近Bonet和Geffner已经表明，规划域的一阶表示可以从状态空间的结构中学习，而无需任何关于动作模式或域谓词的先验知识。为此，学习问题被公式化为搜索最简单的一阶域描述D，其连同关于实例I_i（对象和初始状态的数量）的信息一起确定与观察到的状态图G_i匹配的状态空间图G（P_i），其中P_i =（D，I_i）。搜索是铸造和解决近似的SAT求解器，被称为一个大家庭的命题理论，不同的只是在参数编码的可能数量的行动模式和域谓词，他们的arities，和对象的数量。在这项工作中，我们推动这些学习者的限制，移动到答案集编程（ASP）编码使用CLINGO系统。新的编码更加透明和简洁，扩展了可能模型的范围，同时促进了对它们的探索。我们表明，域引入的Bonet和Geffner可以更有效地解决在新的方法，往往是最佳的，而且，该方法可以很容易地扩展到处理部分信息的状态图以及噪声，防止一些国家被区分。
2021-05-23 cs.AI
Formally Verified Certification of Unsolvability of Temporal Planning Problems
本文提出将时序规划问题编码为时间自动机网络，结合模型检查器与经 Isabelle/HOL 形式化验证的证书检查器，为不可解性结论提供高可信认证。
2025-10-19 cs.AI cs.LO
Transforming and Encoding FTS for SAT Solving: What Helps, What Hurts (Extended Version)
University of Amsterdam, Institute for Logic Language and Computation（阿姆斯特丹大学，逻辑语言与计算研究所）；Aalborg University（奥尔堡大学）
研究如何将因子化任务编码为SAT问题，提出多种编码策略，并分析并行性和任务转换对SAT规划器性能的影响。
2026-05-28 cs.AI
How Diffusion Models Learn to Factorize and Compose
Massachusetts Institute of Technology（麻省理工学院）
本文通过简化的2D高斯凸起实验揭示扩散模型（DDPMs）能学习因式分解表示实现组合泛化，并利用渗流理论解释其机制，发现少量组合样本即可高效训练。
2024-10-11 cs.AI cs.CV cs.LG
Long Short-Term Memory for Spatial Encoding in Multi-Agent Path Planning
University of Stuttgart（斯图加特大学）；Stanford University（斯坦福大学）
基于强化学习的不同规模的多智能体系统的路径规划构成了一个研究课题，随着城市空中交通和自主飞行器等领域的不断进步，其重要性日益增加。具有连续状态和动作空间的强化学习用于训练策略网络，该策略网络适应期望的路径规划行为并且可以用于时间关键型应用。一个长短期记忆模块，提出了一个不同的，不确定数量的代理编码一个未指定数量的状态。所描述的训练策略和策略架构导致可扩展到无限数量的代理和无限物理维度的指导，尽管训练以较小的规模进行。该指南是在一个低成本，现成的机载计算机上实现的。所提出的方法的可行性进行了验证，提出了多达四个无人机的飞行测试结果，自主导航碰撞自由在现实世界的环境中。
2022-03-21 cs.AI cs.LG cs.MA
Multi-Agent Planning with Spatio-Temporal and Topological Constraints using STL-GO
针对多智能体规划中的时空与拓扑约束难题，提出基于STL-GO的混合整数规划与可满足性模理论两种编码方案，在多无人机搜索与救援基准上验证了其表达能力。
2026-08-03 cs.AI cs.MA
MTR-VP: Towards End-to-End Trajectory Planning through Context-Driven Image Encoding and Multiple Trajectory Prediction
Machine Intelligence, Interaction, and Imagination (Mi 3 ) Laboratory（机器智能、交互与想象实验室）；University of California, Merced（加州大学默塞德分校）；Laboratory for Intelligent & Safe Automobiles (LISA)（智能与安全汽车实验室）；University of California, San Diego（加州大学圣地亚哥分校）
MTR-VP通过基于上下文的图像编码和多轨迹预测实现端到端轨迹规划，利用交叉注意力提升规划性能。
2025-11-27 cs.AI cs.CV cs.RO
Cost Optimal Planning as Satisfiability
我们调查的成本最优计划，是有效的问题与0成本行动的长度上界。我们采用这些上限为地平线的SAT为基础的编码规划成本。给定一个初始上限的最优计划的成本，我们的实验表明，这种基于SAT的方法是能够计算出更好的成本计划，在许多情况下，它可以匹配的最优成本。此外，在多个实例中，该方法成功地证明了某个成本是最优计划成本。
2021-03-03 cs.AI cs.LO
Efficient Generation of Parameterised Quantum Circuits from Large Texts
Quantinuum
本研究基于DisCoCirc框架思路，提出利用预群图树状表示、依托对称幺半范畴将大规模文本高效编码为参数化量子电路的方法，可处理最长6410词的文本，相关系统已集成至lambeq Gen II开源量子NLP包。
2025-05-19 cs.AI cs.CL quant-ph
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
Symbolic Search for Optimal Planning with Expressive Extensions
Albert-Ludwigs-Universität Freiburg im Breisgau（弗莱堡阿尔伯特-路德维希大学）；University of Freiburg（弗莱堡大学）；Aalborg University（奥尔堡大学）
在经典规划中，目标是导出一个行动过程，允许智能代理从它发现自己处于的任何情况移动到满足其目标的情况。经典规划被认为是独立于域的，即，它不限于特定的应用，并且可以用于解决不同类型的推理问题。然而，在实践中，手头的规划问题的一些属性需要标准的经典规划形式主义的表达扩展来捕获和建模它们。虽然许多这些扩展的重要性是众所周知的，大多数规划，特别是最优规划，不支持这些扩展的规划形式主义。缺乏支持不仅限制了这些规划器对某些问题的使用，而且即使可以在没有这些扩展的情况下对问题进行建模，也常常导致建模工作量增加，或者由于所需的问题编码大小呈指数级增加而使建模几乎不可能。在这篇论文中，我们提出使用符号搜索成本最优规划的经典规划的不同表达扩展，所有捕获问题的不同方面。特别是，我们研究规划与公理，规划与状态相关的行动成本，超额认购规划，和top-k规划。对于所有的形式主义，我们提出的复杂性和可编译性的结果，强调它是可取的，甚至有必要原生支持相应的功能。我们分析了符号启发式搜索，并表明搜索性能并不总是受益于使用的启发式和搜索性能可以指数恶化，即使在最好的情况下，即完美的启发式。这加强了符号盲搜索是当今占主导地位的符号搜索策略，与其他国家的最先进的成本最优规划策略。
2022-04-01 cs.AI
Discrete, compositional, and symbolic representations through attractor dynamics
Princeton University（普林斯顿大学）；Mila（米拉研究所）；Université de Montréal（蒙特利尔大学）；University of Edinburgh（爱丁堡大学）；Stanford University（斯坦福大学）
针对符号与次符号过程集成依赖人为假设的问题，提出一种结合吸引子动力学与符号表示的神经随机动力系统模型，通过无监督学习将连续空间划分为离散符号序列，实现了反映输入与编码互信息的统一认知建模框架。
2024-09-26 cs.AI cs.LG
On Conformant Planning and Model-Checking of $\exists^*\forall^*$ Hyperproperties
CISPA Helmholtz Center for Information Security, Germany（CISPA海德堡信息安全研究中心）
本文研究了$\exists^*\forall^*$超属性的模型检查与符合计划问题之间的紧密联系，证明两者可以相互转换并建立完整的编码方法。
2025-12-29 cs.AI cs.LO
STRIPS Action Discovery
Institut de Robòtica i Informàtica Industrial, CSIC-UPC（西班牙国家研究委员会-加泰罗尼亚理工大学机器人与工业自动化研究所）
在现实环境中，规划所需的高层次知识库的确定成为一项艰巨的任务。这些知识通常是手工制作的，即使是系统专家也很难保持更新。最近的方法表明，即使所有中间状态都缺失，经典规划在综合行动模型方面也取得了成功。这些方法可以综合行动计划规划域定义语言（PDDL）从一组执行轨迹，每个组成，至少，一个初始和最终状态。在本文中，我们提出了一个新的算法，无监督合成的动作签名是未知的时，与经典的规划器的ARIPS动作模型。此外，我们还对经典规划进行了编译，以缓解学习动作模型先决条件中的静态谓词的问题，利用SAT规划器的并行编码功能来计算动作模式并验证所有实例。我们的系统是灵活的，因为它支持包括部分输入信息，可以加快搜索。我们通过几个实验展示了学习的动作模型如何在看不见的规划实例中推广。
2021-03-05 cs.AI
An Accurate HDDL Domain Learning Algorithm from Partial and Noisy Observations
Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）
层次任务网络（{ \sf HTN}）形式主义是非常有表现力的，用于表达各种各样的规划问题。与经典的{ \sf HTN}形式主义（其中只需要指定动作模型）不同，{ \sf HTN}形式主义还需要指定问题的任务及其分解为子任务的方法（称为{ \sf HTN}方法）。因此，专家们认为手工编码的{ \sf HTN}问题比经典规划问题更困难，更容易出错。为了解决这个问题，我们提出了一种新的方法（HierAMLSI）的语法归纳的基础上获得{ \sf HTN}规划领域的知识，通过学习行动模型和{ \sf HTN}方法与他们的先决条件。与其他方法不同，HierAMLSI能够以高水平或高精度学习具有噪声和部分输入观测的动作和方法。
2022-06-14 cs.AI
Scalable Planning with Deep Neural Network Learned Transition Models
University of Toronto（多伦多大学）；Vector Institute for Artificial Intelligence（Vector人工智能研究所）；Monash University（莫纳什大学）
在许多现实世界中的规划问题的因素，混合离散和连续的状态和动作空间，如水库控制，供暖通风，空调，和导航域，这是很难获得一个复杂的非线性动力学模型，管理状态的演变。然而，现代传感器的普遍存在使我们能够从这些复杂系统中的每一个收集大量数据，并建立其状态转换的精确的非线性深度神经网络模型。但控制任务仍然存在一个主要问题-我们如何使用深度网络学习的过渡模型进行规划，而不诉诸蒙特卡罗树搜索和其他黑盒过渡模型技术，这些技术忽略了模型结构，并且不容易扩展到混合离散和连续域？在本文中，我们介绍了两种类型的非线性规划方法，可以利用深度神经网络学习的过渡模型：混合深度MILP规划器（HD-MILP-Plan）和Tensorflow规划器（TF-Plan）。在HD-MILP-Plan中，我们观察到，深度网络的整流线性单元传递函数不仅允许模型学习的更快收敛，而且还允许将深度网络转换模型直接编译为混合线性规划编码。此外，我们还确定了HD-MILP-Plan的深度网络特定优化，这些优化可以提高基本编码的性能，并表明我们可以根据学习到的深度网络进行最佳规划。在TF-Plan中，我们利用自动微分工具和基于GPU的计算的效率，将纯连续规划问题的子类编码为递归神经网络，并通过反向传播直接优化动作。我们比较了这两个计划，并表明TF-计划是能够近似的最佳计划发现HD-MILP-Plan在更少的计算时间…
2020-07-15 cs.AI cs.LG
"Just in Time" World Modeling Supports Human Planning and Reasoning
MIT Department of Brain and Cognitive Sciences（麻省理工学院脑科学与认知科学系）；UBC Departments of Computer Science and Psychology（不列颠哥伦比亚大学计算机科学与心理学系）
本文提出'即时'框架，通过在线构建简化表示实现高效心理模拟，支持人类规划与推理。
2026-01-20 cs.AI q-bio.NC
Enhancing Path Planning Performance through Image Representation Learning of High-Dimensional Configuration Spaces
本研究提出一种结合带梯度惩罚的Wasserstein生成对抗网络与快速探索随机树的路径规划加速方法，通过路点矩阵编码、扩散条件约束及失效回退机制，在时间约束下有效提升高维空间路径规划效率。
2025-01-11 cs.AI cs.RO
Collaborative Human-Agent Planning for Resilience
University of Melbourne（墨尔本大学）；Department of Defence Science（国防科学部）
由人工智能规划提供支持的智能代理在复杂的场景中帮助人们，例如管理半自动驾驶车辆的团队。然而，人工智能规划模型可能不完整，导致计划无法充分满足既定目标，特别是在不可预测的情况下。人类，谁是善于识别和适应不寻常的情况下，可能能够协助规划代理在这些情况下，编码他们的知识到一个规划器在运行时。我们调查人们是否可以提供他们的知识，代理使用线性时序逻辑（LTL）在运行时不改变代理的领域模型与代理合作。我们向24名参与者展示了计划者有局限性的情况下的基线计划，并要求参与者为这些局限性提供变通方法。我们将这些变通方法编码为LTL约束。结果表明，参与者的限制提高了10%（$p < 0.05$）相对于基线计划的计划的预期回报，表明人类的洞察力可以用于协作规划的弹性。然而，随着时间的推移，参与者使用更多的声明比控制约束，但声明约束产生的计划不太相似的参与者的期望，这可能会导致潜在的信任问题。
2021-04-29 cs.AI cs.HC cs.MA
Exploiting Transformer in Sparse Reward Reinforcement Learning for Interpretable Temporal Logic Motion Planning
University of Science and Technology of China（中国科学技术大学）
本文提出双 Transformer 引导的 T2TL 框架，结合 LTL progression 与环境无关预训练，将复杂时序逻辑任务分解为可学习子目标，提升稀疏奖励强化学习运动规划性能。
2023-07-17 cs.AI cs.LO cs.RO
Anytime Integrated Task and Motion Policies for Stochastic Environments
Arizona State University（亚利桑那州立大学）
为了解决复杂、长时间任务，智能机器人需要结合运动规划进行高层次、抽象的规划与推理。然而，抽象模型通常是有损的，并且使用它们计算的计划或策略可能无法执行。这些问题在机器人需要推理和计划多个意外事件的随机情况下会加剧。我们提出了一种新的方法，在随机设置的集成任务和运动规划。在这个方向上的先前工作相比，我们表明，我们的方法可以有效地计算综合任务和运动策略，其分支结构编码代理行为处理多个执行时的突发事件。我们证明了我们的算法是概率上完整的，可以计算可行的解决方案的政策，在任何时候的方式，使遇到一个未解决的意外事件的概率随着时间的推移而下降。一组具有挑战性的问题的实证结果表明，我们的方法的实用性和范围。
2020-05-29 cs.AI cs.RO
Where's the Plan? Locating Latent Planning in Language Models with Lightweight Mechanistic Interventions
University of California, Berkeley（加州大学伯克利分校）
通过押韵对句补全任务，使用线性探针和激活修补方法，研究语言模型在生成过程中是否形成并因果依赖未来约束的潜在规划，发现仅Gemma-3-27B模型存在因果依赖，并定位到五个注意力头。
2026-06-15 cs.AI cs.LG
On Grounded Planning for Embodied Tasks with Language Models
University of Southern California（南加州大学）；Fudan University（复旦大学）；Sea AI Lab（海天AI实验室）
本文提出 G-PlanET，利用包含环境物体的数据表和迭代解码，让语言模型为机器人智能体生成可执行的具身任务计划，并建立评估协议与专用指标验证其有效性。
2023-07-15 cs.AI cs.CL cs.LG
