Generating Instance Generators in PDDL Planning
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Saarland University（萨尔兰大学）；Center for European Research in Trusted Artificial Intelligence (CERTAIN)（欧洲可信人工智能研究中心）；Ben-Gurion University of the Negev（内盖夫本-古里安大学）
针对PDDL规划中实例生成缺乏规范且手动编写低效的问题，提出利用LLM自动生成实例生成程序，并通过规定检查保证正确性，实验表明能高效生成大量正确且多样的实例。
2026-09-09 cs.AI
PDDLEGO: Iterative Planning in Textual Environments
University of Pennsylvania（宾夕法尼亚大学）；The University of Arizona（亚利桑那大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
针对部分可观测文本环境，本文提出 PDDLEGO，通过迭代构建 PDDL 表示、执行子目标并扩充信息完成最终规划，在两个模拟基准上显著优于端到端 LLM。
2024-08-09 cs.CL
Algorithmic Primitives of Theory of Mind Benchmarks
University of Southern California（南加州大学）
PDDL-Mind通过将叙述描述转换为显式状态和动作，为LLM提供了一致的世界状态表示，从而在信念推理任务中提升了性能。
2026-10-19 cs.AI cs.CL
Representation Alignment as a Bottleneck in LLM-Based Retrosynthesis Planning
Drexel University（德雷塞尔大学）；University of Michigan（密歇根大学）
本文针对LLM在逆合成规划中直接SMILES到PDDL的失败，提出通过分解为分子映射、反应映射和PDDL生成来引入中间表示，实验证明表示对齐是主要瓶颈，中间表示对成功至关重要。
2026-09-29 cs.AI cs.CL
NL2Plan: Robust LLM-Driven Planning from Minimal Text Descriptions
针对经典规划器建模繁琐、大语言模型规划无质量保障的问题，提出全自动系统NL2Plan，可从极简自然语言描述生成完整PDDL任务并由经典规划器求解，在7个规划域上性能优于LLM加验证器的方案。
2025-10-01 cs.AI
Leveraging Pre-trained Large Language Models to Construct and Utilize World Models for Model-based Task Planning
Arizona State University（亚利桑那州立大学）；Colorado State University（科罗拉多州立大学）
本文提出让 LLM 构建并迭代修正 PDDL 世界模型，再由可靠的独立规划器求解，从而提升规划正确性并减少人类反馈成本。
2023-11-02 cs.AI
End-to-end PDDL Planning with Hardcoded and Dynamic Agents
Department of Computer Science, University of Oxford（牛津大学计算机科学系）；Department of Engineering, University of Oxford（牛津大学工程系）
本文提出一个端到端框架，通过验证器支持规划。协调器接收自然语言规范，转换为PDDL模型，子模块（智能体）迭代优化规划需求。支持硬编码和动态智能体，最终计划转换为自然语言。
2026-05-08 cs.AI cs.LG
Generating Symbolic World Models via Test-time Scaling of Large Language Models
Westlake University（西湖大学）；The Chinese University of Hong Kong（香港中文大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Max Planck Institute for Intelligent Systems, Tübingen（智能系统马克斯·普朗克研究所（图宾根））；Environmental Systems Research Institute, Inc.（环境系统研究所）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；SEED, Bytedance（字节跳动SEED团队）；The Hong Kong University of Science and Technology（香港科技大学）
本文提出通过扩展大语言模型的测试时计算来增强其PDDL推理能力，结合Best-of-N采样与言语化机器学习精炼，无需额外训练即可高质量生成PDDL领域，并在竞赛级规划任务上超越现有方法。
2025-05-08 cs.AI
Language Models as Higher-Order Planning Formalizers
Drexel University（德雷克斯el大学）；Allen Institute for AI（人工智能研究院）
研究发现语言模型形式化器在规划问题中表现优于规划器，通过分治技术提升鲁棒性，并引入形式化挑战。
2026-10-23 cs.CL
Generalized Planning in PDDL Domains with Pretrained Large Language Models
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）；IBM Research（IBM研究院）
该研究探索GPT-4作为PDDL领域通用规划器的能力，结合思维链总结与自动调试技术，在7个领域实验验证其泛化性能优异，自动调试作用关键，仅需少量训练任务即可实现强泛化。
2023-12-18 cs.AI
Training the Orchestrator: A Supervised Approach to End-to-End PDDL Planning with LLM Agents
Oregon State University（俄勒冈州立大学）
提出HALO框架，通过监督学习训练编排器，利用验证器提供的轨迹作为监督信号，在11个PDDL领域上以极低成本实现与前沿LLM相当的成功率。
2026-06-23 cs.AI
Toward PDDL Planning Copilot
本文提出 Planning Copilot，利用 MCP 协议将 LLM 与外部规划工具集成，无需特定领域微调即可支持语法检查、规划器选择与计划验证等任务，实验表明其性能显著优于未使用工具的同规模模型及 GPT-5。
2025-09-16 cs.AI
TwoStep: Multi-agent Task Planning using Classical Planners and Large Language Models
University of Southern California（南加州大学）
本研究提出TwoStep方法，结合经典规划器与LLM，通过LLM进行多智能体目标分解，实现比直接求解多智能体PDDL更快的规划时间，同时减少执行步骤并保证执行成功，效果接近人类专家分解。
2025-03-25 cs.AI cs.CL cs.MA
Planning with Vision-Language Models and a Use Case in Robot-Assisted Teaching
Czech Technical University（捷克技术大学）；Charles University（查理大学）
本文提出Image2PDDL框架，利用视觉语言模型将初始状态图像和目标描述自动转换为PDDL问题，解决感知与符号规划结合的挑战，并在多难度标准规划领域验证了其语法和内容正确性，展示了在AI规划及机器人辅助自闭症教学中的应用潜力。
2025-01-29 cs.AI cs.RO
Grounded Evaluation and Repair for NL-to-PDDL Problem Generation
INESC INOV；INESC ID；Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等技术学院）；Motamineral Minerais Industriais S.A.（Motamineral 工业矿产公司）
本文研究NL到PDDL生成流水线，结合LLM生成与多种检查及迭代修复，发现操作成功与基准参考重建存在显著分歧，结构化修复有效但PDDL 2.1参考重建仍具挑战。
2026-09-10 cs.AI
Which LLM is Best for Translating Natural Language Goals to PDDL
Filuta AI, Inc.（Filuta AI公司）
本文评估六个LLM将自然语言目标翻译为PDDL的能力，提出提示模板，发现所有模型正确率超92%，Gemini 2.5 Flash准确率最高，GPT-4.1速度最快，但仍存在语言歧义等挑战。
2026-09-17 cs.AI
From An LLM Swarm To A PDDL-Empowered HIVE: Planning Self-Executed Instructions In A Multi-Modal Jungle
Huawei Technologies Ltd., UK（华为技术有限公司，英国）；University of Edinburgh, UK（爱丁堡大学，英国）
本文提出 PDDL 与 LLM 驱动的 Hive 框架，通过可解释的原子动作规划和模型选择处理多模态查询，并以 MuSE 基准证明其达到任务选择新最优。
2025-09-28 cs.AI
On the Limit of Language Models as Planning Formalizers
Drexel University（德雷塞尔大学）
本文系统评估了LLM作为规划形式化器将自然语言环境描述转化为完整PDDL表示的能力，发现大模型在形式化方面优于直接生成计划且对词汇扰动鲁棒，但随着描述自然度提高性能会下降。
2025-05-31 cs.CL
Aligning LLM+PDDL Symbolic Plans with Human Objective Specifications through Evolutionary Algorithm Guidance
College of Engineering and Computer Science, University of Central Florida（中央佛罗里达大学工程与计算机科学学院）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本研究提出一种进化算法引导方法，结合LLM与PDDL规划器，通过LSTM验证模型优化符号目标规范，提高生成计划对自然语言描述的符合度，并在海军灾难恢复任务中验证了有效性。
2025-10-09 cs.AI cs.NE
GenePlan: Evolving Better Generalized PDDL Plans using Large Language Models
GenePlan利用大语言模型改进PDDL计划的进化方法，通过优化问题生成高效且低成本的通用计划器，实现了与最先进方法相近的性能。
2026-03-10 cs.AI
LLM-Only PDDL Domain Repair with Open-Weight Models
本文评估开放权重大语言模型仅用LLM方法修复PDDL模型错误的能力，发现其F1分数优于符号基线，但测试通过率仍不足，无法保证满足修复所需的测试约束。
2026-08-19 cs.AI
PSALM-V: Automating Symbolic Planning in Interactive Visual Environments with Large Language Models
Department of Computer Science University of Southern California（计算机科学系 美国南加州大学）
提出PSALM-V系统，通过LLM动态推断PDDL语义并维护树结构信念，在无专家定义的视觉环境中实现可靠的自动化符号规划，显著提升了任务成功率与步数效率。
2025-06-25 cs.CL cs.RO
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
Real-World Cooking Robot System from Recipes Based on Food State Recognition Using Foundation Models and PDDL
The University of Tokyo（东京大学）
针对机器人无法基于新食谱在真实世界完成烹饪的问题，提出融合LLM与PDDL规划、VLM少样本食材状态识别的烹饪机器人系统，经PR2机器人真实环境实验验证有效。
2024-10-07 cs.AI cs.RO
Using Large Language Models for Abstraction of Planning Domains - Extended Version
York University（约克大学）
本研究利用大语言模型通过上下文学习生成抽象PDDL规划领域，验证GPT-4o在简单场景下能有效抽象动作，但抽象流的能力较弱。
2025-10-23 cs.AI
EmboTeam: Asymmetric State Grounding for Heterogeneous Multi-Robot Collaboration
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
EmboTeam通过PDDL将LLM推理转化为反应式行为树，提升多机器人协作任务的成功率和目标回忆率
2026-11-06 cs.AI cs.CV cs.LG
Toward Secure and Reliable PDDL Formalization of Large Language Models with Planner-in-the-Loop Feedback
State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；School of Industry-education Integration, University of Chinese Academy of Sciences（中国科学院大学产教融合学院）
提出NL-PDDL-Bench基准和规划器在环框架，通过验证器诊断和偏好优化提升LLM生成PDDL规范的可执行性与可靠性。
2026-06-29 cs.AI
Generating consistent PDDL domains with Large Language Models
Honda Research Institute Europe（本田欧洲研究所）
针对大语言模型生成的PDDL领域动作一致性难保障的问题，提出在生成过程中加入自动一致性检查的方法，可有效提升模型质量、减少人工修正量，并在多个规划领域验证了错误检测能力。
2024-04-11 cs.AI cs.RO
Improved Generalized Planning with LLMs through Strategy Refinement and Reflection
本文提出通过生成伪代码并自动调试，结合反思步骤提升LLM生成的通用规划质量，实验显示改进后配置在17个基准领域达到82%的平均覆盖率。
2026-03-20 cs.AI cs.CL
DKPROMPT: Domain Knowledge Prompting Vision-Language Models for Open-World Planning
State Univeristy of New York at Binghamton（纽约州立大学宾汉姆顿分校）；Ford Research（福特研究院）
本文提出DKPROMPT框架，利用PDDL领域知识自动化提示VLM，解决开放世界中机器人任务规划问题，在任务完成率上优于经典规划、纯VLM及竞争基线。
2024-06-25 cs.AI cs.RO
Fuzzy Categorical Planning: Autonomous Goal Satisfaction with Graded Semantic Constraints
Stanford University（斯坦福大学）
FCP通过引入模糊度量和Lukasiewicz t-范数提升自然语言规划中模糊约束的处理能力，有效应对多步骤计划中的质量退化问题。
2026-01-27 cs.AI
CVE2AP: Automated Generation of PDDL-Encoded Attack Paths via Large Language Models
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
提出CVE2AP，利用大型语言模型从CVE描述自动生成PDDL编码的攻击路径，通过结构化提示和错误反馈迭代优化，在多个LLM上实现高语法、可解性和语义正确性。
2026-10-05 cs.AI
SafeGen-LLM: Enhancing Safety Generalization in Task Planning for Robotic Systems
University of Notre Dame（诺丁汉大学）；Washington State University（华盛顿州立大学）；University of Pennsylvania（宾夕法尼亚大学）
SafeGen-LLM通过两阶段框架提升机器人任务规划的安全性泛化能力，优于现有基线。
2026-02-27 cs.AI cs.RO
AutoScrum: Automating Project Planning Using Large Language Models
Swedish Embedded Consulting Group Research（瑞典嵌入式咨询集团研究部）
本文提出 AutoScrum，借助大型语言模型和“语言程序”自动化项目规划，提供基于 scrum 的完整规划流程与快捷任务生成两种方法。
2023-06-05 cs.AI cs.CL
PDDLCoder: Agentic PDDL Generation for LLM-Assisted Symbolic Planning
Technical University of Berlin（柏林工业大学）；Fraunhofer FOKUS（弗劳恩霍夫FOKUS研究院）
本研究提出智能体式PDDL生成框架PDDLCoder，引入含711个问题的NL-pddlgym基准，其在测试集上可生成89.6%可执行规划，优于现有方法。
2026-08-18 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
Planning of Heuristics: Strategic Planning on Large Language Models with Monte Carlo Tree Search for Automating Heuristic Optimization
School of Artificial Intelligence, Anhui University, Hefei, Anhui, China（人工智能学院，安徽大学，合肥，安徽，中国）；Pengcheng Laboratory, Shenzhen, Guangdong, China（鹏城实验室，深圳，广东，中国）
本文提出PoH方法，将大语言模型自我反思与蒙特卡洛树搜索结合，自动优化启发式算法，在旅行商和流水车间调度问题上超越手工及现有LLM方法，实现最先进性能。
2025-06-20 cs.AI
Why Do LLM-based Web Agents Fail? A Hierarchical Planning Perspective
Department of Computer Science, George Mason University（乔治·马歇尔大学计算机科学系）
本文从分层规划角度分析了LLM网络代理失败原因，发现低层执行是主要瓶颈，改进感知接地和自适应控制对实现人类可靠性至关重要。
2026-04-27 cs.AI cs.CL
Robust Asynchronous Planning via Auto-Formalization
Drexel University（德雷塞尔大学）；Arizona State University（亚利桑那州立大学）
针对异步规划中并发、非均匀时长和执行时间约束的挑战，提出自动形式化方法，通过CP-SAT形式化器在依赖图规模从5到100动作时保持高准确率，并引入状态感知修复策略应对执行时约束更新。
2026-10-15 cs.CL
PDDL2.1: An Extension to PDDL for Expressing Temporal Planning Domains
University of Strathclyde（思克莱德大学）
近年来，规划界的研究越来越倾向于将规划师应用于涉及时间和多种资源的现实问题。例如，空间研究界表现出的对规划的兴趣激发了在观测时间安排、行星漫游车探索和航天器控制领域的工作。其他时间和资源密集型领域，包括物流规划，工厂控制和制造，也有助于将社区集中在建模和推理问题上，这些问题必须面对规划技术，以满足应用的挑战。自1998年以来，国际规划竞赛一直是推动规划工作取得进展的重要动力。第三届竞赛（2002年举行）为规划界提出了处理时间和数字资源的挑战。这就需要开发一种能够表达规划域的时间和数值属性的建模语言。在本文中，我们描述的语言，PDDL2.1，这是在竞争中使用的。我们描述了语言的语法，其形式语义和并发计划的验证。我们观察到，PDDL2.1具有相当大的建模能力-超过了当前规划技术的能力-并向研究界提出了一些重要的挑战。
2011-06-22 cs.AI
E-PDDL: A Standardized Way of Defining Epistemic Planning Problems
University of Udine（乌迪内大学）；University of South Carolina（南卡罗来纳大学）；Union College（联合学院）；Thomas J. Watson Research Center（托马斯·J·沃森研究中心）
认知规划（EP）是指一种自动规划设置，其中智能体在知识状态空间中进行推理，并试图找到一个计划，以从当前状态达到理想的状态。它的一般形式，多智能体认知规划（MEP）问题涉及多个智能体，他们需要对世界的状态和智能体之间的信息流进行推理。在MEP问题中，最近已经开发了多种方法，具有不同的限制，例如只考虑知识的概念，而不允许信念的想法，或者不允许“复杂”模态算子，例如处理动态公共知识所需的模态算子。虽然方法的多样性导致了对问题空间的更深入理解，但缺乏独立于解决方法的标准化方法来指定MEP问题，这在比较规划者的性能，确定有前途的技术，探索集成方法等新策略以及使新研究人员易于为这一研究领域做出贡献方面造成了困难。为了解决这种情况，我们提出了一个统一的方式来指定EP问题-认知规划领域定义语言，E-PDDL。我们表明，E-PPDL可以支持领先的MEP规划，并提供相应的解析器代码，翻译EP问题中指定的E-PDDL到（M）EP问题，可以处理的几个规划。这项工作也是有用的，在建设更一般的认知规划环境，我们设想一个元认知模块，需要在E-PDDL规划问题，识别和评估其功能，并自主决定哪个规划师是最好的一个来解决它。
2021-07-19 cs.AI cs.CL
Real-World Planning with PDDL+ and Beyond
Palo Alto Research Center（帕罗奥图研究中心）
针对PDDL+规划软件短缺及现有规划器限制的问题，提出了一种轻量、简单且适应性强的新型PDDL+规划器Nyx，可轻松定制以扩展至超越PDDL+的能力范围，从而推动AI规划在现实世界问题中的广泛应用。
2024-02-19 cs.AI
Compiling Temporal Numeric Planning into Discrete PDDL+: Extended Version
本文提出了一种将时间数值规划编译为离散PDDL+的方法，该方法在多项式时间内运行，保留计划长度至常数因子，并在实际应用中有效解决复杂的时间数值问题。
2026-03-12 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
Planning with Complex Data Types in PDDL
Aalto University（阿尔托大学）
实际上，所有的规划研究都局限于用布尔和数字状态变量表示的状态。许多实际问题，例如，在复杂的软件系统中进行规划，需要复杂得多的数据类型，甚至在许多情况下，真实世界的规划需要诸如对象集之类的概念，这些概念不便于仅用标量类型的建模语言来表达。在这项工作中，我们研究了一个复杂的软件系统，它支持复杂的数据类型，如集，数组，记录和工会建模语言。我们给出了一个广泛的复杂的数据类型和布尔逻辑操作的减少，然后将此表示进一步PDDL域独立的PDDL规划器使用。我们评估这种方法的实用性，并提供解决方案的PDDL翻译中出现的一些问题。
2022-12-29 cs.AI
Scale-Plan: Scalable Language-Enabled Task Planning for Heterogeneous Multi-Robot Teams
Honda Research Institute（本田研究院）；University of California（加州大学）
Scale-Plan通过生成紧凑的任务相关问题表示，提升异构多机器人团队的可扩展性和可靠性。
2026-09-01 cs.AI cs.ET cs.MA
Imperfect Match: PDDL 2.1 and Real Applications
Adventium Labs（Adventium实验室）
PDDL最初是作为国际规划竞赛的通用语言而构思和构建的。PDDL2.1包含了一组扩展，旨在支持更接近实际规划问题的表达。这一目标仅部分实现，这在很大程度上是由于刻意侧重于不偏离经典规划模型和解决方法。
2011-10-12 cs.AI
LLM+P: Empowering Large Language Models with Optimal Planning Proficiency
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；State University of New York at Binghamton（纽约州立大学宾汉姆顿分校）；Sony AI（索尼人工智能）
本文提出LLM+P框架，通过将自然语言规划问题转为PDDL并调用经典规划器，再把方案译回自然语言，使LLM获得可靠且最优的长时程规划能力。
2023-09-27 cs.AI cs.RO
Task Planning in Robotics: an Empirical Comparison of PDDL-based and ASP-based Systems
The University of Texas at Austin（得克萨斯大学奥斯汀分校）；Cogitai, Inc.（科吉泰公司）；SUNY Binghamton（纽约州立大学宾汉姆顿分校）
机器人需要任务规划算法来排序动作，以实现通过单个动作不可能实现的目标。现成的任务规划器可以被智能机器人从业者用来解决各种规划问题。然而，存在许多不同的规划器，每一个都有不同的优点和缺点，并且没有一般的规则，哪一个规划器最适合应用于给定的问题。在这篇文章中，我们经验比较国家的最先进的规划师，使用规划领域描述语言（PDDL），或回答集编程（ASP）作为底层的行动语言的性能。PDDL是为任务规划而设计的，基于PDDL的规划器被广泛用于各种规划问题。ASP是为知识密集型推理而设计的，但也可用于解决任务规划问题。鉴于域编码是尽可能相似的，我们发现，PDDL为基础的规划者执行更好的问题，更长的解决方案，和ASP为基础的规划者更好的任务有大量的对象或复杂的推理需要的原因行动的先决条件和影响。由此产生的分析可以通知特定的机器人任务规划域的通用规划系统之间的选择。
2019-02-25 cs.AI
Language Models For Generalised PDDL Planning: Synthesising Sound and Programmatic Policies
本研究提出利用语言模型生成Python程序作为广义策略，用于解决PDDL规划问题，并证明策略可靠性，实验显示LMPlan在固定资源下优于传统规划器，且发现LM在无意义符号上规划更有效，挑战了语义推理假设。
2025-08-25 cs.AI
SokoBench: Evaluating Long-Horizon Planning and Reasoning in Large Language Models
Ipazia SpA（Ipazia公司）；University of Trento（特伦托大学）；Fondazione Bruno Kessler（布鲁诺·凯瑟尔基金会）
SokoBench通过简化俄罗斯方块谜题评估大型语言模型的长周期规划与推理能力，揭示了其在复杂任务中的性能限制。
2026-01-28 cs.AI
Modelling Mixed Discrete-Continuous Domains for Planning
University of Strathclyde（思克莱德大学）
在本文中，我们提出了pddl+，规划域描述语言建模混合离散-连续规划域。我们描述了pddl+的语法和建模风格，表明该语言可以方便地对复杂的时间依赖效应进行建模。我们提供了一个正式的语义pddl+的规划实例映射到混合自动机的构造。使用的语法作为我们的语义模型，我们构建了一个语义映射到标记的转换系统，完成正式的解释pddl+规划实例。建立从pddl+到HA理论的映射的一个优点是，它在规划和实时的系统研究社区之间形成了一座桥梁。一个结果是，我们可以期望利用的一些理论性质的HA。例如，对于一类受限的HA，可达性问题（相当于计划存在）是可判定的。pddl+为pddl 2.1的连续持续行动模式提供了一种替代方案，增加了一个更加灵活和稳健的时间依赖行为模式。
2011-10-10 cs.AI
CASP Solutions for Planning in Hybrid Domains
Saint Joseph’s University（圣约瑟夫大学）；King’s College London（伦敦国王学院）；University of Genoa（热那亚大学）；Drexel University（德雷塞尔大学）
CASP是ASP的扩展，允许在规则中添加数值约束。PDDL+是一个扩展的PDDL标准语言的自动规划建模混合离散-连续动态。在本文中，我们提出了处理PDDL+问题的CASP解决方案，即，从PDDL+到CASP的编码，以及对EZCSP CASP求解器算法的扩展，以解决PDDL+域产生的CASP程序。一个实验分析，众所周知的线性和非线性的PDDL+域的变体，涉及各种配置的EZCSP求解器，其他CASP求解器，和PDDL+规划，显示了我们的解决方案的可行性。
2018-06-25 cs.AI
PDDL 2.1: Representation vs. Computation
ICREA（加泰罗尼亚研究与高级研究所）；Universitat Pompeu Fabra（庞培法布拉大学）
我对PDDL 2.1语言及其在规划竞赛中的使用进行了评论，重点是为适应时间和并发性所做的选择。我还讨论了一些方法论的问题，有更多的表达规划语言和语义和计算之间的规划研究所需的平衡。
2011-10-12 cs.AI
