本文介绍了一种结合自动学习和规划的方法来解决泛化计划问题，主要通过 Max SAT 表达式从已知实例的状态变迁中自动学习特征和抽象动作，并使用 fully observable 非确定性规划器生成泛化计划。实验结果展示了该方法的有效性。

Nov, 2018

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

本研究针对广义规划中的归纳学习过程中模型广化限制的问题，提出基于全量数据的抽象模型和自动化合成方法，并形式化证明了其可行性和正确性。

May, 2019

此研究提出了一种替代方法来计算更具表现力的通用策略，该方法不需要样本计划或 QNP 计划程序。该方法可以用机器学习中的标准术语来描述，通过定义来自规划示例中的谓词的大但有限的功能池，并寻找用于将 “好” 与 “坏” 状态转换和目标与非目标分开的一小部分功能。然后，这将作为单个组合优化问题一起解决，用加权最大满足问题来表示。

Jan, 2021

提出了一种通过给定的实体层次结构和观察到的相似行为来泛化符号动作的新概念，证明在虚拟的网格化厨房环境中可以从少量观察中学习到类型泛化的动作，并且在规划过程中引入了一种即时泛化机制，能够解决包括更长序列、新实体和未预期环境行为的未见任务组合。

Aug, 2023

本研究论文介绍了如何使用过程式 Domain Control Knowledge (DCK) 来表示和计算广义规划，使用了 “分而治之” 的方法来首先生成解决某些子任务的过程式 DCK，然后将它编译为整个广义规划问题的可调用程序。我们的测试表明，通过使用可调用的过程式 DCK，一个现成的经典规划器可以在广泛的领域内计算出广义计划。

Oct, 2019

扩展学习通用策略的公式和组合方法以解决完全可观察、非确定性（FOND）领域的规划问题，通过实验证实所得方法在多个 FOND 规划基准领域上，并验证了其正确性。学习 FOND 规划的通用策略方法可以被视为在抽象空间中寻找解决方案的一种替代 FOND 规划方法，该抽象空间由需要学习的特征定义。

Apr, 2024

本文研究了具有共同特征的问题集合的一般策略的特征和计算，并介绍了如何通过利用轨迹约束以及 LTL 公式来消除策略的终止条件以及降低规划的复杂度。

Sep, 2019

介绍了基于规划程序的行动新颖性排名概念以及新颖性优化的 GP 算法，采用基于最佳优先搜索 BFS（v） 和其渐进变体 PGP（v）的方法，引入来自行动方案的提高可行性行动，并提出了新的评估函数和结构化程序限制，以扩展搜索范围。经实验证明，新算法 BFS（v）和 PGP（v）在标准通用计划基准测试中优于现有算法。

Jul, 2023

本文基于 Cui 等人的研究，探索了用于广义规划的 sound abstraction 的自动验证，并提出了基于模型理论的 sound 和 complete abstraction 的定义。本文还提出了可验证 sound abstraction 的充分条件，并开发了处理计数和传递闭包的方法来实现其验证。最后，本文实现了一个 sound abstraction 验证系统，并在几个领域进行了实验。

May, 2022