本文采用范畴论的数学理论和图形语法对 PDDL 中的领域、问题和计划进行模型建模，通过将行动视为不同字面意义之间的映射，以描述动作之间的依赖性和选定的方案，并提供了一种图形语法和线性记法，以便推断计划的每一步所使用的替代方案。

Jul, 2021

研究了具有平面和命题表示的概率规划领域中测试和寻找小规划的计算复杂性，发现问题的复杂性分别属于 PL，P，NP，co-NP，PP，NP^PP，co-NP^PP 和 PSPACE，提出了一个新的基本 NP^PP 完全问题 E-MAJSAT，表明 E-MAJSAT 问题的启发式算法的开发对于广泛问题的高效算法很重要。

Aug, 1998

在许多实际的规划应用中，代理人可能对寻找其动作成本尽可能均匀的计划感兴趣。本文将三个一致性度量指标应用于自动规划，并引入基于规划的编译方法，允许按词典顺序优化动作成本总和和动作成本的均匀性。在知名和新颖的规划基准实验结果中显示，可以有效地解决重构的任务以产生均匀的计划。

Feb, 2024

本文将广义规划的标准公式扩展到包括关系型规划域，通过使用抽象动作进行策略生成和基于 FOND 计划器的计算。

Jan, 2018

本文研究了利用本体学作为基础的自动规划方法，通过分析国际规划竞赛中的规划领域和规划者的数据构建了一个规划本体，通过案例研究证明了利用本体可以选择合适的规划者并通过宏函数改善规划性能，并将本文所建立的规划本体和相关资源提供给社区以促进进一步的研究。

Jul, 2023

本文提出一种算法，用于通过学习特征、抽象和广义计划来解决连续机器人任务和运动规划中的困难问题。研究表明，仅使用少量示例学习的简单广义计划可以用于优化 TAMP 求解器的搜索效率。

Sep, 2021

本文提出了基于 C++ 程序的广义规划（GP）问题及其解法的新型表示方法，该表示方法可以正式证明广义计划的终止，并指定其相对于世界对象数量的渐近复杂度。利用 C++ 广义计划的复杂度特征，可以应用组合搜索按照复杂度的顺序枚举可能的 GP 解的空间。实验结果表明，我们称之为 BFGP++ 的该方法的实现比以往的 GP 作为启发式搜索方法更加优越，用于表示为编译器风格程序的广义计划的计算。最后，C++ 程序在传统规划实例上的执行是无冗余和无搜索的，因此我们的 C++ 表示允许我们在数千个对象的大型测试实例上自动验证计算出的解决方案，而通用的经典规划器则会在预处理或搜索中卡住。

Jun, 2022

通过研究动作的不同发生次数来分析导致规划正式化丧失可决定性的可能原因，使用多值偏序计划的概念实现了一个 NP 完全的数值规划片段，并研究了软性前提的优化技术。

Jul, 2023

本文介绍了一种自主学习的方法，通过无标注的高维真实值机器人轨迹，自动学习抽象状态和动作的可推广的基于逻辑的关系表示，形成了自动发明的类似 PDDL 的领域模型。通过确定性设置的实证结果表明，仅凭少量机器人轨迹就可以学习到强大的抽象表示，所学的关系表示包括但超越了高级动作的经典直观概念，并且学习的模型使得规划算法能够扩展到以前超出手工构思抽象的任务范围。

Feb, 2024

在经典计划中，为了满足智能体的目标，目标是制定一系列行动方案。扩展规划是用于捕获和模拟不同类型的推理问题的一种表达方式。本文中，我们提出使用符号搜索进行成本最优规划，为经典计划的不同表达扩展，包括公理、状态依赖性操作成本、过度订阅计划和前 k 个计划。

Apr, 2022