Logic Programming and Machine Ethics
DISIM, University of L’Aquila（拉奎拉大学DISIM）；DIB and CILA, University of Bari “Aldo Moro”（巴里大学“Aldo Moro”DIB和CILA）
透明度是道德机器的关键要求。经过验证的道德行为不足以在自主智能代理中建立合理的信任：它需要解释决策的能力。逻辑程序设计（LP）在开发这样的视角伦理系统方面具有巨大的潜力，因为事实上逻辑规则很容易被人类理解。此外，LP能够对因果关系进行建模，这对于伦理决策至关重要。
2020-09-22 cs.AI cs.CY cs.HC
Commonsense Visual Sensemaking for Autonomous Driving: On Generalised Neurosymbolic Online Abduction Integrating Vision and Semantics
University of Bremen（不来梅大学）；Örebro University（厄勒布鲁大学）
我们展示了在自动驾驶背景下系统集成视觉和语义解决方案的必要性和潜力。一个一般的神经符号的方法，在线使用答案集编程（ASP）的视觉意义构建系统的形式化和充分实施。该方法集成了视觉计算的最新技术，并被开发为一个模块化的框架，通常可用于实时感知和控制的混合体系结构。我们使用社区建立的基准KITTIMOD、MOT-2017和MOT-2020进行评估和演示。作为用例，我们关注以人为中心的视觉感知的重要性-例如，涉及语义表示和可解释性，问题回答，常识插值-在安全关键的自动驾驶情况下。开发的神经符号框架是独立于领域的，自动驾驶的案例旨在作为在选择以人为中心的人工智能技术设计考虑的背景下，在不同的认知交互环境中进行在线视觉感知的范例。保留字：认知视觉、深层语义学、陈述性空间推理、知识表示和推理、常识推理、视觉诱导、答案集编程、自动驾驶、以人为本的计算和设计、驾驶技术标准化、空间认知和人工智能。
2020-12-28 cs.AI cs.CV cs.LG
Knowledge Integration Strategies in Autonomous Vehicle Prediction and Planning: A Comprehensive Survey
Freie Universität Berlin（柏林自由大学）；Continental Automotive Technologies GmbH（大陆汽车技术有限公司）；Fraunhofer FOKUS Berlin（弗劳恩霍夫研究所柏林）
本综述系统梳理自动驾驶轨迹预测与规划中的知识集成方法，分类分析符号到神经符号架构，并指出可解释AI、形式化验证及混合方法等未来趋势。
2025-05-22 cs.AI cs.LG
COOL: A Constraint Object-Oriented Logic Programming Language and its Neural-Symbolic Compilation System
Beijing Huagui Technology（北京华贵科技）
针对神经网络与逻辑编程融合的传统难题，本文提出COOL约束面向对象逻辑编程语言及编译系统，可自主收集数据、融入用户提示降低训练不足风险、增强模型交互以促进复用增强，为相关领域发展提供参考。
2023-11-07 cs.AI cs.CL cs.DC
Exploratory Experiments on Programming Autonomous Robots in Jadescript
Università degli Studi di Parma（帕尔马大学）
本文介绍了探索性实验，以验证自主机器人使用面向代理的程序设计语言编程的可能性。通过各种类型的传感器对环境进行适当的感知，并通过有效的致动器对外部事件做出及时的反应，对于为机器人提供足够的自主性至关重要。面向代理的编程范式与这方面相关，因为它提供了语言级的抽象来处理事件和命令执行器。本文介绍了一种新的面向Agent的程序设计语言Jadescript，并介绍了它的一些新特性。一个简单的案例研究应用程序的探索性实验，以显示所提出的方法的有效性，并使用该语言来编程自主机器人。
2020-07-23 cs.AI cs.MA cs.PL
ChatScratch: An AI-Augmented System Toward Autonomous Visual Programming Learning for Children Aged 6-12
Zhejiang University（浙江大学）；Beijing Normal University（北京师范大学）
ChatScratch通过结构化故事板、图像生成和Scratch专用大语言模型，解决儿童自主编程中的三大障碍，促进6-12岁儿童的高质量项目创作。
2024-02-07 cs.AI cs.HC cs.PL
Research on Autonomous Maneuvering Decision of UCAV based on Approximate Dynamic Programming
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
无人驾驶飞机系统可以执行一些比有人驾驶飞机系统更危险和困难的任务。在空战等高度复杂多变的任务中，要求机动决策机制能够实时准确地感知作战态势并做出最优决策。提出了一种三维一对一空战机动问题的数学模型，并给出了一种近似的动态规划方法来计算自主机动决策的最优策略。飞机在强化学习方法中学习战斗策略，同时感知环境，采取可用的机动行动并获得反馈奖励信号。为解决空战中的维数爆炸问题，在空战仿真环境下，通过特征选择、轨迹采样、函数逼近和Bellman备份操作实现了该方法。这种近似的动态规划方法提供了对快速变化的战术情况的快速响应，在长期规划中学习，而没有任何显式编码的空战规则库。
2019-08-28 cs.AI cs.LG cs.RO
A Behavior Tree-inspired programming language for autonomous agents
针对传统行为树模型随应用规模扩大显现的功能局限，本文提出受行为树启发的自主智能体函数式编程语言，解决响应式选择等核心问题并给出规范与Haskell实现，验证了其处理复杂行为的能力。
2024-11-26 cs.AI cs.PL cs.RO
Monte Carlo Action Programming
LMU Munich（慕尼黑大学）
本文提出了蒙特卡罗动作编程，一个程序设计语言的自治系统，在大概率状态空间与高分支因子的框架。它包括非确定性动作程序设计语言的形式语法和语义。该语言通过蒙特卡罗树搜索随机解释。经验表明，该方法的有效性。
2017-02-25 cs.AI cs.PL
Autonomous Platoon Control with Integrated Deep Reinforcement Learning and Dynamic Programming
深度强化学习（Deep Reinforcement Learning，DRL）被认为是一种潜在的车辆跟驰控制方法，主要用于支持单个跟驰车辆。然而，当一个车队中有多辆跟随车辆时，尤其是在前车行为不可预测的情况下，学习稳定有效的车辆跟随策略更具挑战性。在这种情况下，我们采用了一个集成的DRL和动态规划（DP）的方法来学习自主队列控制策略，它嵌入了深度确定性策略梯度（DDPG）算法到一个有限的地平线值迭代框架。DP框架虽然可以提高DDPG的稳定性和性能，但它存在采样率和训练效率较低的局限性。在本文中，我们提出了一种算法，即通过使用平稳近似的简化状态空间扫描的时域DDPG（FH-DDPG-SS），它使用三个关键思想来克服上述限制，即，在时间上向后转移网络权重，对较早的时间步长进行稳定的策略近似，以及扫过缩减的状态空间。为了验证FH-DDPG-SS算法的有效性，利用实际驾驶数据进行了仿真，并将FH-DDPG-SS算法与基准算法的性能进行了比较。最后，验证了FH-DDPG-SS的队列安全性和弦稳定性。
2022-11-18 cs.AI cs.LG cs.SY
A-ProS: Towards Reliable Autonomous Programming Through Multi-Model Feedback
Dept. of Computer Science and Engineering, University of Dhaka（达卡大学计算机科学与工程系）；Dept. of Information Systems, University of Maryland, Baltimore County（马里兰大学巴尔的摩县信息学院）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县）
本文提出A-ProS，一种通过多模型反馈框架实现自主编程的AI代理，结合生成器和调试器，通过多轮反馈提升代码生成的准确性与效率，实验表明其在解决编程问题上具有显著优势。
2026-05-18 cs.AI cs.SE
Autonomous Agents and Policy Compliance: A Framework for Reasoning About Penalties
Miami University（迈阿密大学）
本文提出了一种基于逻辑编程的框架，用于政策感知的自主代理，通过引入惩罚机制提高决策的合规性和可解释性。
2025-12-03 cs.AI
Natural Language Programming in Medicine: Administering Evidence Based Clinical Workflows with Autonomous Agents Powered by Generative Large Language Models
Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）；Mount Sinai Hospital（西奈山医院）；Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）；University of Pittsburgh School of Medicine（匹兹堡大学医学院）
本研究评估了生成式大语言模型作为自主智能体在模拟三级医疗中心管理真实临床病例的潜力，发现结合检索增强生成的专有模型（如GPT-4）表现更优，并强调自然语言编程与专家监督对确保模型可靠性的重要性。
2024-08-22 cs.AI
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
QAgent: An LLM-based Multi-Agent System for Autonomous OpenQASM programming
Zhenxiao Fu1, Lei Jiang1, Yilun Xu2, Gang Huang2, Fan Chen1（作者1、作者2、作者3、作者4、作者5）
研究针对OpenQASM编程挑战提出QAgent，它是基于大语言模型的多智能体系统，集成规划、合成和校准工作流程，利用检索增强生成及多智能体推理确保正确性，在多模型评估中表现出色，证明集成对可靠量子程序生成很关键。
2026-07-13 cs.AI cs.ET quant-ph
AI Programmer: Autonomously Creating Software Programs Using Genetic Algorithms
Bloomberg LP（彭博有限合伙企业）；Intel Labs（英特尔研究院）
在本文中，我们提出了第一个同类的机器学习（ML）系统，称为AI程序员，可以自动生成完整的软件程序，只需要最少的人类指导。在其核心，AI Programmer使用遗传算法（GA）与严格约束的程序设计语言，最大限度地减少其ML搜索空间的开销。AI Programmer的部分新颖性源于（i）其独特的系统设计，包括嵌入式手工制作的解释器，以提高效率和安全性，以及（ii）其对GA的增强，包括免疫基因随机化绑定和程序设计语言特定的基因组构建和消除技术。我们提供了AI Programmer的系统设计的详细检查，几个例子详细说明了系统如何工作，以及实验数据，证明其软件生成能力和性能，只使用主流CPU。
2017-09-17 cs.AI cs.NE
Fully Autonomous Programming with Large Language Models
TU Eindhoven（埃因霍温理工大学）；Philips Research（飞利浦研究院）；Simula（Simula研究实验室）；University of Oslo（奥斯陆大学）；BI Norwegian Business School（BI挪威商学院）
本文提出 SED 自主程序合成框架，通过实证比较修复、替换与混合策略及提示生成技术，在 PSB2 上使用 OpenAI Codex 验证其优于基线方法。
2023-04-20 cs.AI cs.NE cs.SE
Autonomous Agents Coordination: Action Languages meet CLP(FD) and Linda
Università di Udine（乌迪内大学）；Università di Perugia（佩鲁贾大学）；New Mexico State University（新墨西哥州立大学）
本文提出了一种知识表示形式主义，在一个高层次的行动描述语言的形式多智能体系统，其中自主智能体的原因和行动在一个共享的环境。智能体自主追求个人目标，但能够通过共享知识库进行交互。在他们的互动，通过共享部分的世界，代理处理问题的同步和并发性;行动语言允许描述的战略，以确保一致的全球执行代理的自主派生计划。一个分布式规划问题的形式化，通过提供声明性规范的问题的一部分，有关一个单一的代理。这些规范中的每一个都可以由独立的基于CLP的规划器执行。代理之间的协调利用了Linda基础设施。在SICStus Prolog中开发的原型实现中验证了该建议。出现在逻辑编程理论与实践（TPLP）中。
2011-10-04 cs.AI cs.LO cs.PL
Maximizing Seaweed Growth on Autonomous Farms: A Dynamic Programming Approach for Underactuated Systems Navigating on Uncertain Ocean Currents
Department of Electrical Engineering and Computer Sciences, University of California, Berkeley（加州大学伯克利分校电气工程与计算机科学系）；School of Computation, Information and Technology of the Technical University of Munich（慕尼黑技术大学计算、信息与技术学院）；Department of Mechanical Engineering at the Massachusetts Institute of Technology（麻省理工学院机械工程系）
本文针对低功耗自主海藻养殖场在不确定洋流中的生长最大化问题，提出基于动态规划的控制器，通过频繁重规划、值函数外推和折扣有限时域扩展，仅用5天预报即可实现95.8%的最佳生长。
2025-06-04 cs.AI cs.RO cs.SY
Interpretable Policies for Reinforcement Learning by Genetic Programming
Technical University of Munich, Department of Informatics（慕尼黑技术大学信息学院）；Siemens AG, Corporate Technology（西门子股份公司企业技术部）
本文提出基于模型驱动批量强化学习和遗传编程的GPRL方法，通过预存的默认状态-动作轨迹样本自动生成可解释的强化学习策略，实验表明其优于传统符号回归方法。
2018-04-04 cs.AI cs.NE cs.SY
Designing a Safe Autonomous Artificial Intelligence Agent based on Human Self-Regulation
University at Albany（奥尔巴尼大学）
本文提出通过研究人类自我调节机制，设计安全的人工智能代理，以避免复杂系统中因目标不明确导致的有害后果。
2017-01-05 cs.AI cs.SY eess.SY
Programming molecular systems to emulate a learning spiking neuron
The University of Manchester（曼彻斯特大学）；Microsoft Research（微软研究院）；University of Kent（肯特大学）
赫布理论试图解释大脑中的神经元如何适应刺激，以实现学习。Hebbian学习的一个有趣的特点是它是一种无监督的方法，因此不需要反馈，这使得它适用于系统必须自主学习的环境。本文探讨了如何设计分子系统来显示这种原始智能行为，并提出了第一个化学反应网络（CRN），它可以在任意多个输入通道中表现出自主的赫布学习。该系统模拟了一个尖峰神经元，我们证明了它可以学习传入输入的统计偏差。基本的CRN是一个最小的，物理上合理的一组微观可逆化学方程式，可以分析其能量需求。然而，为了探索如何从头设计这样的化学系统，我们还提出了一个基于酶驱动的区室化反应的扩展版本。最后，我们还展示了一个纯粹的DNA系统，建立在DNA链位移的范例，可以实现神经元动力学。我们的分析为探索生物环境中的自主学习提供了一个令人信服的蓝图，使我们更接近实现真正的合成生物智能。
2022-05-09 cs.AI cs.NE q-bio.NC
Logical Robots: Declarative Multi-Agent Programming in Logica
Google LLC（谷歌公司）；University of Illinois（伊利诺伊大学）；Gonzaga University（贡扎加大学）
Logical Robots通过逻辑编程语言Logica实现多智能体仿真平台，将观察映射到动作输出，实现低层反应控制与高层规划的结合。
2026-04-08 cs.AI cs.MA cs.RO
Toward Full Autonomous Laboratory Instrumentation Control with Large Language Models
Key Laboratory of Wide Band-Gap Semiconductor Technology, School of Advanced Materials and Nanotechnology, Xidian University（西安电子科技大学先进材料与纳米技术学院宽禁带半导体技术重点实验室）
本文探讨了大型语言模型在实验室仪器自动化中的应用，展示如何通过ChatGPT生成定制脚本，降低技术门槛，并展示LLM辅助工具如何发展为自主AI代理，实现仪器的自主操作与策略优化。
2026-03-25 cond-mat.mtrl-sci cs.AI cs.HC
Agent Based Approaches to Engineering Autonomous Space Software
University of Liverpool（利物浦大学）；University of Southampton（南安普顿大学）
目前的卫星控制系统等空间软件的工程方法是基于使用MatLab的Simulink工具箱等软件包开发反馈控制器。这些为工程实时的系统提供了强大的工具，这些系统适应环境的变化，但在控制器本身需要适应时受到限制。我们正在研究的方式，从时间逻辑和代理编程的想法可以集成使用这样的控制系统，提供一个更强大的自主决策层。本文将讨论我们的初步方法，这样的系统的工程。
2010-03-02 cs.AI cs.MA
Bayesian Modeling of a Human MMORPG Player
Grenoble University（格勒诺布尔大学）；CNRS（法国国家科学研究中心）；INRIA Rhône-Alpes（法国国家信息与自动化研究所罗纳-阿尔卑斯分所）
本文介绍了贝叶斯规划的应用程序控制的自主化身在多人角色扮演游戏（例子是基于魔兽世界）。我们对一个特定的任务进行建模，该任务包括在盟友和敌人都存在的情况下选择要做什么以及选择哪个目标。我们在贝叶斯编程中解释了这个模型，并展示了我们如何从人类游戏过程中收集的数据中学习条件概率。
2010-11-24 cs.AI
EvoTrainer: Co-Evolving LLM Policies and Training Harnesses for Autonomous Agentic Reinforcement Learning
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院）；Tongyi Lab , Alibaba Group（通义实验室，阿里巴巴集团）；Alibaba Group（阿里巴巴集团）；SUAT（深圳大学）
提出EvoTrainer框架，通过协同进化LLM策略和训练端框架，基于经验反馈自动诊断、修正并积累可复用技能，在数学推理、编程竞赛和仓库级软件工程任务上匹配或超越人工设计的RL基线。
2026-06-15 cs.AI
Fully Autonomous Programming using Iterative Multi-Agent Debugging with Large Language Models
Simula（西穆拉（挪威科技机构））；University of Oslo（奥斯陆大学）；TU Eindhoven（埃因霍温理工大学）；Philips Research（飞利浦研究实验室）
本文提出多智能体调试框架 SEIDR，通过迭代执行、指令、调试与修复，结合不同排序和混合策略，有效克服大语言模型程序合成中的“差之毫厘综合征”，并在 PSB2 和 HumanEval-C++ 上取得显著效果。
2025-03-10 cs.AI cs.LG cs.NE
AutoGRAMS: Autonomous Graphical Agent Modeling Software
Autograms AI（奥图格拉姆斯人工智能公司）
本研究提出AutoGRAMS框架，以图结构表示AI智能体，支持节点执行语言指令或代码、转移由语言决策或分支逻辑控制，可设计复杂自指智能体，提升可解释性等，已开源。
2024-07-14 cs.AI cs.CL
Unified Mind Model: Reimagining Autonomous Agents in the LLM Era
本文提出统一心智模型（UMM）理论认知架构，结合全局工作空间理论和LLMs赋予智能体多模态感知、规划等认知能力，并基于此开发MindOS引擎，支持用户无编程快速创建自主智能体。
2025-03-06 cs.AI cs.CL
Learning of Behavior Trees for Autonomous Agents
The Royal Institute of Technology - KTH（瑞典皇家理工学院）
为自动规划器（AP）定义精确的系统模型通常是不切实际的，特别是对于现实世界的问题。相反，现成的规划者无法扩大规模，并且依赖于领域。这些缺点是从传统的转换系统继承而来的，例如描述由AP生成的动作计划执行的有限状态机（FSM）。另一方面，行为树（BTs）代表了FSM的有效替代方案，在模块化，反应性，可扩展性和域独立性方面具有许多优势。在本文中，我们提出了一个无模型的AP框架，使用遗传编程（GP），以获得一个最佳的BT为自主智能体，以实现一个给定的目标，在未知的（但完全可观察的）环境。我们说明了所提出的框架使用的实验进行了一个开源的基准马里奥AI自动生成的BT，可以玩游戏角色马里奥完成一定的水平，在不同的难度水平，包括敌人和障碍。
2015-04-22 cs.AI cs.LG cs.RO
Reasoning about Safety of Learning-Enabled Components in Autonomous Cyber-physical Systems
Toyota Research Institute of North America（丰田北美研究院）；University of Southern California（南加州大学）
本文提出基于模拟的方法生成屏障证书函数，用于验证包含神经网络控制器的机电系统安全性。通过线性规划求解器从随机初始状态获得的模拟轨迹中找到候选生成函数，并利用SMT求解器验证其安全性。
2018-04-11 cs.AI cs.SY eess.SY
