Optimizing Mission Planning for Multi-Debris Rendezvous Using Reinforcement Learning with Refueling and Adaptive Collision Avoidance
DLR Lampoldshausen(德国航空航天中心兰波尔茨豪森研究所)
本研究提出基于强化学习的框架,用于优化多碎片清除任务的使命规划,通过自适应碰撞避让和高效任务规划提高任务效率和安全性。
2026-02-04 cs.AI cs.LG cs.RO
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
TLE-Based A2C Agent for Terrestrial Coverage Orbital Path Planning
针对近地轨道拥挤与碰撞风险,提出基于A2C算法的强化学习框架优化卫星轨道参数以实现精确地表覆盖,实验证明其比PPO收敛快31.5倍且奖励更高,为实时LEO任务规划提供了高效方案。
2025-08-14 cs.AI cs.RO
AstroAgentBench: Evaluating Agentic Planning on Space Mission Planning Tasks
Fudan University(复旦大学);Shanghai Innovation Institute(上海创新研究院)
AstroReason-Bench通过评估代理在复杂空间规划问题中的表现,揭示了通用规划在现实约束下的局限性。
2026-10-05 cs.AI cs.CL
Human-Centric Aware UAV Trajectory Planning in Search and Rescue Missions Employing Multi-Objective Reinforcement Learning with AHP and Similarity-Based Experience Replay
Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg(卢森堡大学安全、可靠性与信任跨学科中心);University of Luxembourg(卢森堡大学)
本文提出融合AHP与基于相似性经验回放的多目标强化学习框架,以兼顾作业、舒适与安全来规划搜救无人机轨迹,并调查性别线索和拟人化设计对公众接受与信任的影响。
2024-02-28 cs.AI cs.HC cs.LG
AI-Driven Risk-Aware Scheduling for Active Debris Removal Missions
Université Paris-Saclay(巴黎萨克雷大学);CentraleSupélec(中央理工-高等电力学院)
本文提出一种基于深度强化学习的自主决策规划模型,用于轨道转移飞行器的最优碎片清除序列规划,使智能体能在动态轨道条件下自主更新计划并处理高碰撞风险碎片。
2024-09-25 cs.AI
TAB-Fields: A Maximum Entropy Framework for Mission-Aware Adversarial Planning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
针对对抗策略未知但受任务与环境约束的规划问题,提出基于最大熵的 TAB-Fields 表示及 TAB-conditioned POMCP,并通过水下与地面机器人实验验证其优于基线。
2024-12-03 cs.AI cs.LG cs.MA
Mission schedule of agile satellites based on Proximal Policy Optimization Algorithm
随着在轨卫星数量和类型的不断增加以及任务的复杂化,卫星任务规划是当今空间活动的重要组成部分。提出了一种结合近端策略优化算法的任务调度模型。与传统的启发式规划方法不同,本文将强化学习算法引入到启发式规划中,找到了一种新的描述问题的方法。本文考虑了包括数据下载在内的几个约束条件。
2020-07-05 cs.AI
AgenticDiffusion: Multi-View Reasoning with View-Conditioned Diffusion Planning for Vision-Based UAV Navigation
University of Engineering and Technology, Lahore(拉合尔工程与技术大学)
提出AgenticDiffusion多视角无人机导航框架,结合语言引导推理、开放词汇目标定位、视觉扩散规划与NMPC,通过协调第一人称和俯视图提升室内导航效率,在40次真实实验中实现80%任务成功率。
2026-09-23 cs.AI cs.RO cs.SY
Safe Mission Planning under Dynamical Uncertainties
ETH Zürich(苏黎世联邦理工学院)
研究了不确定动态环境下机器人的安全任务规划问题。这个问题出现在监控、紧急救援和自动驾驶等应用中。这是一个具有挑战性的问题,由于建模和集成动态的不确定性到一个安全的规划框架,并找到一个解决方案,在计算上易于处理的方式。在这项工作中,我们首先开发了一个概率模型的动态不确定性。然后,我们提供了一个框架,以生成一个路径,最大限度地提高复杂任务的安全性,结合不确定性模型。我们还设计了一个蒙特卡罗方法,以获得一个安全的路径有效。最后,我们评估了我们的方法的性能,并将其与几个案例研究中的潜在替代方案进行比较。
2020-03-05 cs.AI cs.RO
Distributed Mission Planning of Complex Tasks for Heterogeneous Multi-Robot Teams
University of Zagreb, Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院)
在本文中,我们提出了一种分布式多阶段优化方法规划复杂任务的异构多机器人团队。这类问题涉及可以以不同方式执行的任务,并且与约束系统中不同机器人的时间表的交叉时间表依赖性相关联。所提出的方法涉及一个多目标的任务启发式搜索,表示为一个层次树,定义了任务的目标。这个过程输出了几种完成任务的有利方式,这些方式直接输入到方法的下一阶段。我们提出了一个分布式的元启发式的基础上演化计算分配任务,并产生一组选定的分解时间表。该方法在自动化温室用例的模拟设置中进行了评估,在那里我们展示了该方法根据可用机器人和给定的优化标准来调整规划策略的能力。
2021-09-21 cs.AI cs.RO
Evaluating Machine Learning Models for the Fast Identification of Contingency Cases
University of Kassel(卡塞尔大学);Fraunhofer IEE(弗劳恩霍夫能源经济与能源系统技术研究所)
潮流计算结果的快速近似在电力系统规划和实际运行中具有重要意义。在规划中,如果要考虑多年、不同的控制策略或应急策略,则需要进行数百万次潮流计算。在实际运行中,电网运营商必须在短时间内评估电网状态是否符合应急要求。在本文中,我们比较回归和分类方法,以预测多变量的结果,如母线电压幅值和线路负载,或时间步长的二进制分类,以确定关键的负载情况。我们测试的方法在三个现实的电力系统的基础上的时间序列在15分钟和5分钟的分辨率为一年。我们比较了不同的机器学习模型,如多层感知器(MLP),决策树,k-最近邻,梯度提升,并评估所需的训练时间和预测时间以及预测误差。我们还确定了每种方法所需的训练数据的量,并显示了结果,包括未经训练的发电削减的近似值。关于比较的方法,我们确定MLP最适合这项任务。基于MLP的模型可以以97- 98%的准确度预测关键情况,并且错误阴性预测的数量非常低,为0.0- 0.64%。
2020-08-21 cs.AI cs.LG stat.ML
Maritime Mission Planning for Unmanned Surface Vessel using Large Language Model
Khalifa University Center for Advanced Robotic Systems (KUCARS)(哈利法大学高级机器人系统中心(KUCARS));Khalifa University of Science and Technology(哈利法科技大学)
针对无人水面艇静态任务规划难以适应动态海况的问题,提出集成GPT-4等LLM与符号规划并利用底层控制反馈的框架,实现自然语言任务指定、实时重规划和鲁棒执行。
2025-03-15 cs.AI cs.RO
Meteorology-Aware Multi-Goal Path Planning for Large-Scale Inspection Missions with Long-Endurance Solar-Powered Aircraft
与传统飞机相比,太阳能飞机有望显著提高飞行续航力。虽然这使它们成为大规模空中视察任务的理想人选,但由于其结构脆弱,必须使用适当的路径规划方法避免恶劣天气。因此,本文介绍了MetPASS,气象感知路径规划和分析软件的太阳能无人机。MetPASS是文献中第一个考虑影响太阳能飞行安全或性能的所有方面的路径规划框架:它避免了环境风险(雷暴,雨,风,阵风和湿度),并利用有利区域(高太阳辐射或顺风)。它还可以避免系统风险,如电池电量低,并通过杂乱的地形返回安全路径。MetPASS从全球气象模型中导入天气数据,通过能量系统模型传播飞机状态,然后将两者结合到成本函数中。结合动态规划技术和A* 搜索算法与自定义启发式被用来规划全局最优路径在站点保持,点对点或多目标的空中检查任务的覆盖保证。提供了一个完整的软件实现,包括GUI。这些规划方法使用苏黎世联邦理工学院的太阳能无人机的三个任务进行了验证:81小时连续太阳能动力保持飞行,从纽芬兰到葡萄牙的4000公里大西洋穿越,以及2017年夏季在格陵兰岛附近执行的北冰洋上空的两个多冰川空中检查任务。
2017-11-28 cs.AI cs.RO
SPINE: Online Semantic Planning for Missions with Incomplete Natural Language Specifications in Unstructured Environments
针对不完整自然语言任务的机器人在线规划难题,提出SPINE规划器,结合LLM推理隐含子任务与滚动时域框架,在大尺度杂乱户外环境中实现了效率翻倍、无需预建地图且交互更少的语义规划。
2025-03-21 cs.AI cs.RO
As You Wish: Mission Planning with Formal Verification using LLMs in Precision Agriculture
University of California, Merced(加州大学默塞德分校)
针对自然语言歧义性,提出基于线性时序逻辑(LTL)反馈循环的LLM任务规划系统,通过双LLM分工实现规范生成与验证,提升精准农业任务规划的可靠性。
2026-08-07 cs.AI cs.RO
Toward Efficient Task Assignment and Motion Planning for Large Scale Underwater Mission
Flinders University(弗林德斯大学)
自主水下航行器(Autonomous Underwater Vehicle,AUV)在大规模作业环境中,为了顺利完成水下任务,并保证其在任务各个阶段的安全,需要具有一定的自主性。本文提出了一种新的组合式无冲突任务分配策略,该策略由局部路径规划器和自适应全局路径规划器的交互参与组成。该方法是建立在粒子群优化(PSO)算法的启发式搜索的潜力,以解决路由任务分配方法的离散性和NP-难路径规划问题的复杂性。所提出的混合方法是非常有效的,有一个反应式的指导框架,保证成功完成任务,特别是在混乱的环境。为了研究该方法在任务生产率,任务时间管理和车辆安全性方面的性能,进行了一系列的仿真研究。仿真结果表明,该方法是可靠的和强大的,特别是在处理不确定性,它可以显着提高车辆的自主水平,依靠其反应的性质和能力,提供快速可行的解决方案。
2016-06-15 cs.AI cs.RO
Current Advancements on Autonomous Mission Planning and Management Systems: an AUV and UAV perspective
Seattle Children’s Research Institute, University of Washington(华盛顿大学西雅图儿童研究所);Monash University(莫纳什大学);University of Salford(索尔福德大学)
硬件技术的进步使复杂软件的集成更加完善,推动了无人驾驶汽车(UV)的开发和使用,并减轻了车载智能的限制。因此,UV现在可以参与更复杂的任务,其中环境条件的持续变化需要更高水平的态势响应。本文介绍了无人机任务规划和管理系统,旨在突出一些最近的发展,在该领域的自主水下和空中车辆,除了强调一些可能的未来方向,并讨论了经验教训。本研究综述了无人机自主性的评估方法,以及无人机自主性的不同方面,如态势感知、认知和决策。本文分别解释了人形和自主系统的性能,并强调了人类在UV操作中的作用和影响。
2020-07-10 cs.AI cs.RO
GeoWind2Plan: Mission-Time 3D Urban Wind Prediction for Energy-Efficient UAV Planning
University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校);Concordia University(康考迪亚大学);McGill University(麦吉尔大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学);California Institute of Technology(加州理工学院)
GeoWind2Plan提出几何到风到规划的框架,利用局部化神经算子快速预测三维城市风场,并基于物理能量模型优化无人机路径,在约3秒内实现节能规划,相比不考虑风的规划降低能耗6.9%-12.7%。
2026-11-10 cs.AI cs.RO
Optimal Route Planning with Prioritized Task Scheduling for AUV Missions
提出了一种自主式水下机器人(AUV)大规模航路规划与任务分配联合问题的解决方案。给定一组约束条件(例如,时间)和一组任务优先级值,目标是在满足给定约束条件下,找到最大优先级和最小总风险百分比的水下任务最优路径。利用遗传算法和群体智能算法在求解NP-难图问题中的启发式特点,采用粒子群优化算法(PSO)和遗传算法(GA)求解最优解,种群中的每一个体都是一个候选解(路径)。为了评估所提出的方法的鲁棒性,所有的PS和GA算法的性能进行了检查和比较的Monte Carlo运行的数量。仿真结果表明,两种算法生成的航迹可行、可靠,可用于水下运动规划。然而,基于GA的路线规划产生优越的结果相比,从基于PSO的路线规划获得的结果。
2016-04-12 cs.AI cs.RO
Leveraging LLMs for Mission Planning in Precision Agriculture
Department of Computer Science and Engineering, University of California, Merced(计算机科学与工程系,加州大学梅尔德分校)
本文提出利用ChatGPT构建端到端系统,使用户能用自然语言为农业机器人指派复杂数据采集任务,并通过IEEE标准与ROS2节点执行任务计划,同时分析了LLMs在空间推理与路径规划上的局限及解决方案。
2025-06-11 cs.AI cs.RO
UAV-CodeAgents: Scalable UAV Mission Planning via Multi-Agent ReAct and Vision-Language Reasoning
Intelligent Space Robotics Laboratory, Center for Digital Engineering, Skolkovo Institute of Science and Technology(斯克尔科沃科学与技术研究所)
提出 UAV-CodeAgents 多智能体框架,结合 ReAct、VLM 像素指向与反应式思考循环实现无人机任务自主生成,并通过火灾检测场景验证其高效可靠。
2025-05-12 cs.AI cs.RO
Generalized Mission Planning for Heterogeneous Multi-Robot Teams via LLM-constructed Hierarchical Trees
Honda Research Institute USA(美国本田研究所)
本文提出一种针对异构多机器人团队的任务规划策略,利用大型语言模型构建层次树以分解复杂任务,并生成符合各机器人约束与能力的优化调度,验证了框架的灵活性与可扩展性。
2025-01-27 cs.AI cs.MA cs.RO
LookOut: Diverse Multi-Future Prediction and Planning for Self-Driving
Uber ATG(优步先进技术集团);University of Toronto(多伦多大学);California Institute of Technology(加州理工学院)
在本文中,我们提出了LookOut,一种新的自治系统,感知环境,预测一组不同的未来场景如何展开,并通过优化这些未来实现的一组应急计划来估计SDV的轨迹。特别是,我们学习了一个多样化的联合分布在多智能体的未来轨迹在交通场景中,覆盖了广泛的未来模式与高样本效率,同时利用生成模型的表达能力。与之前在多样性运动预测方面的工作不同,我们的多样性目标明确奖励对未来场景进行采样,这些场景需要自动驾驶车辆做出不同的反应,以提高安全性。然后,我们的应急计划人员会找到舒适和非保守的轨迹,以确保对各种未来情景的安全反应。通过广泛的评估,我们表明,与当前最先进的模型相比,我们的模型在大规模自动驾驶数据集中展示了更多样化和样本效率更高的运动预测,以及在长期闭环模拟中更安全和更不保守的运动计划。
2021-05-07 cs.AI cs.CV cs.LG
One For All: LLM-based Heterogeneous Mission Planning in Precision Agriculture
Department of Computer Science(计算机科学系);Engineering University of California, Merced, CA, USA.(加州大学默塞德分校工程学院);Department of Informatics, Bioengineering, Robotics(信息学、生物工程、机器人学系);Systems Engineering, University of Genova, Italy(系统工程系,热那亚大学)
提出基于LLM的自然语言机器人任务规划器,通过预定义原语将人类语言转换为可执行描述,支持非技术用户通过通用接口控制异构机器人执行复杂农业任务。
2025-06-11 cs.AI cs.RO
Autonomous Reactive Mission Scheduling and Task-Path Planning Architecture for Autonomous Underwater Vehicle
Flinders University of South Australia(南澳大利亚弗林德斯大学)
自主水下航行器(AUV)需要在有限的时间内完成复杂的任务。由于现有的AUV电池容量和续航能力有限,它们应该自主管理任务时间和资源,以便在更长的任务中执行有效的持续部署。任务分配需要根据资源约束做出决策,而任务分配的成本和/或价值是预先预算的。任务分布在一个特定的操作区,并通过一个航路点覆盖的网络映射。因此,设计一个有效的路由任务优先级分配框架,考虑车辆的可用性和属性是必要的,以提高任务的生产率和按时完成任务。这在很大程度上取决于任务的顺序和优先级,这些任务位于操作网络中的节点状航路点之间。另一方面,AUV在不熟悉的水下动态环境中自主操作并对突发环境变化做出快速响应是一个复杂的过程。水流的不稳定性会使潜水器偏转到不希望的方向,并干扰AUV的安全。车辆对强烈环境变化的鲁棒性对于其在不确定和动态环境中的安全和最佳操作至关重要。为此,AUV需要在顶层对环境进行总体概述,以执行自主动作选择(任务选择)和较低级别的本地运动规划器,以成功地处理不断变化的情况。本研究涉及开发一种新的反应控制体系结构,提供了更高层次的决策自主权的AUV操作,使一个单一的车辆,以完成多个任务,在一个单一的任务,面对周期性的干扰,在动荡和高度不确定的环境。
2017-06-13 cs.AI cs.RO
NEUSIS: A Compositional Neuro-Symbolic Framework for Autonomous Perception, Reasoning, and Planning in Complex UAV Search Missions
Faculty of Information Technology, Monash University(莫纳什大学信息技术学院)
针对复杂环境下无人机自主搜索任务的感知决策难题,提出组合式神经符号框架NEUSIS,整合多模块实现高效搜索,实验验证其性能优于现有最优模型。
2024-09-16 cs.AI cs.CV cs.RO
A revision on Multi-Criteria Decision Making methods for Multi-UAV Mission Planning Support
Otto von Guericke University Magdeburg(马格德堡奥托·冯·格里克大学);Universidad Politécnica de Madrid(马德里理工大学)
本文设计含排序与过滤的多无人机任务规划DSS,比较多种MCDM及模糊方法,并提出基于邻近性的相似性过滤与经验阈值。
2024-02-28 cs.AI cs.RO
Evaluating Robustness and Adaptability in Learning-Based Mission Planning for Active Debris Removal
Faculty of Mathematics and Computer Science, Julius-Maximilians-Universität Würzburg(数学与计算机科学学院,维尔堡大学)
本文评估了基于学习的任务规划在主动清除任务中的鲁棒性和适应性,比较了三种规划器在不同约束条件下的性能,发现领域随机化PPO在适应性上表现更优,而MCTS在处理约束变化时更稳定但计算成本高。
2026-02-04 cs.AI cs.LG cs.RO
Autonomy and Unmanned Vehicles Augmented Reactive Mission-Motion Planning Architecture for Autonomous Vehicles
硬件技术的进步促进了复杂软件的更多集成,以增强无人驾驶车辆(UV)的开发并减轻车载智能的限制。因此,无人机可以在复杂的任务中运行,在这些任务中,环境条件的持续变化需要更高水平的态势响应和自主决策。这本书是一本研究专著,旨在提供一个全面的调查紫外线的自主性及其相关属性,在内部和外部的情况意识,病房强大的任务规划在恶劣的条件下。先进的智能水平对于最大限度地减少对人类主管的依赖至关重要,这是自主性的主要概念。自控系统需要一个强大的任务管理策略,以推动边界向自主结构,UV应该知道其内部状态和能力,以评估当前的任务目标是否可以实现或找到替代解决方案。在本书中,AUV将成为主要的案例研究线索,但其他情况/类型的车辆也将被考虑。事实上,我们开发的研究专著,回顾章节和新方法将适合用作高年级或研究生学位的参考,因为它涵盖了与机器人/车辆规划,任务分配,路由和信任相关的文献和算法。
2020-07-19 cs.AI
PlanSys2: A Planning System Framework for ROS2
Rey Juan Carlos University(胡安·卡洛斯国王大学);University of León(莱昂大学)
自主机器人需要计划他们执行的任务,以完成他们的使命。任务日益复杂,人类设计师无法预测所有可能的情况,因此基于状态机的传统控制系统是不够的。本文包含了一个描述的ROS 2规划系统(PlanSys 2在短),一个框架的象征性规划,结合了新的方法执行机器人在苛刻的环境中工作。PlanSys 2旨在成为ROS 2中的参考任务规划框架,ROS 2是机器人软件开发中{ \em de facto}标准的最新版本。在其主要特点,它可以突出的优化执行,基于行为树,通过一个新的行动拍卖协议和多机器人规划能力的计划。它已经有了一个小型但不断增长的用户和开发人员社区,本文是该项目的设计和功能的总结。
2021-07-01 cs.AI cs.RO
Platform-Aware Mission Planning
Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会);University of Trento(特伦托大学)
针对自主系统高层任务目标与底层平台约束难协调、鲁棒规划推理难的问题,提出带exists-forall特性的平台感知任务规划问题,给出合并建模基线与抽象-精化循环两种方法,证明其可靠完备且后者性能更优。
2025-05-20 cs.AI
Conformal Temporal Logic Planning using Large Language Models
Washington University in St Louis(华盛顿大学圣路易斯分校);University of Zurich(苏黎世大学);Vanderbilt University(范德比尔特大学)
针对移动机器人需按时序逻辑完成自然语言子任务的问题,提出分层神经符号规划器HERACLEs,结合符号规划器、大语言模型与保形预测管理不确定性,实现了用户定义的任务成功率并提升了用户友好度。
2025-09-17 cs.AI cs.RO
2Planning for Contingencies: A Decision-based Approach
经典人工智能规划者的一个基本假设是,世界上没有不确定性:规划者完全了解计划执行的条件,并且每个行动的结果都是完全可预测的。因此,这些规划者无法制定应急计划,即,在不同情况下执行不同行动的计划。在本文中,我们讨论了一些问题,出现在表示和建设的应急计划,并描述卡桑德拉,一个偏序应急计划。Cassandra使用显式决策步骤,使执行计划的代理能够决定遵循哪个计划分支。计划中的决策步骤会导致获得知识的子目标,这些子目标的计划方式与任何其他子目标相同。因此,Cassandra将收集信息的过程与做出决策的过程区分开来。Cassandra中决策的明确表示允许对应急规划问题采取连贯的方法,并为扩展(例如使用不同的决策过程)提供了坚实的基础。
1996-05-01 cs.AI
A Knowledge-Graph Translation Layer for Mission-Aware Multi-Agent Path Planning in Spatiotemporal Dynamics
Cannizaro-Livingston Gulf States Center for Environmental Informatics(坎尼扎罗-利文斯顿海湾州环境信息中心);Center for Geospatial Sciences Naval Research Laboratory(地理空间科学中心海军研究实验室)
提出基于知识图谱翻译层的框架,弥合任务语义与规划器输入鸿沟,通过双平面架构实现任务感知路径规划,案例验证其有效性与可解释性。
2025-10-24 cs.AI
Proactive Intention Recognition for Joint Human-Robot Search and Rescue Missions through Monte-Carlo Planning in POMDP Environments
University of Essex(埃塞克斯大学)
主动感知他人的意图是在非结构化、动态和新颖的环境中有效互动的关键技能。这项工作提出了将这种技能嵌入到搜索和救援任务的支持机器人中的第一步。事实上,预测应对方的意图将使勘探方法能够确定和优先考虑与应对方更相关的领域,从而与任务更相关,从而制定更安全、更有力和更有效的联合勘探战略。更具体地说,本文提出了一种主动的意图识别范式感知,即使在感官的限制,不仅目标的位置,但也第一响应者的动作,这可以提供信息,他/她的意图(例如,到达的位置,他/她期望的目标)。这种机制是通过采用基于蒙特卡罗的规划技术的扩展部分可观察的环境,其中的奖励函数增加了熵减少奖金。我们在模拟中测试了几种配置的奖励增强,信息理论和不,以及信念状态近似,并获得了实质性的改进的基本方法。
2019-08-27 cs.AI cs.HC cs.LG
Towards Large Language Models for Lunar Mission Planning and In Situ Resource Utilization
Johns Hopkins University Applied Physics Laboratory(约翰霍普金斯大学应用物理实验室)
本文探讨利用大语言模型从科学文献中提取月球成分数据以支持任务规划,发现现成模型对表格数据提取有效,但需进一步细化矿物学信息与复杂信息处理。
2026-09-14 cs.AI cs.DL
Quantum Algorithms for Drone Mission Planning
Thales UK(泰雷兹英国公司)
针对无人机多目标访问的NP-Hard任务规划问题,提出将其转化为QUBO模型,并利用量子退火、QAOA及定制拟设的VQE等近期量子算法求解,对比验证了其相较于经典求解器的加速潜力。
2024-09-27 cs.AI math.OC quant-ph
Why Not? Solver-Grounded Certificates for Explainable Mission Planning
Serana AI Inc.(Serana AI公司)
本文提出基于求解器的可解释任务规划证书方法,通过优化模型本身生成解释,实现正确性、反事实有效性及稳定性,提升调度决策的可解释性。
2026-02-28 cs.AI math.OC