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

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

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

本文将负例规划定义为一组不应由泛化计划解决的计划实例，并将计划验证的概念扩展到验证给定泛化计划解决输入正例实例时是否无法解决给定的一组负例实例，以量化评估泛化计划的能力，并展示如何将负例规划应用于计划综合的编译中，实验结果表明添加负例可以加速计划综合的过程，并提高合成计划泛化能力的定量度量方式。

Nov, 2019

本文介绍了如何通过抽象解释作为一个统一框架来构建搜索启发式，以扩展启发式搜索到使用更复杂的数据类型和函数（例如，集合，几何），甚至具有不确定性和概率影响的更丰富的世界模型，并展示了这些启发式可与学习相结合，允许代理在新颖的世界模型中借助由抽象推导出的信息快速启动计划。这表明抽象解释在构建通用推理系统中具有关键作用。

Aug, 2022

本文提出了一种新的方法，通过算法过程对广义计划的终止和可达性相关属性进行评估，并使用经验分析说明了该方法的范围和效果。

Dec, 2022

从小数据域中学习推导出可适用于远大于其所训练数据范围的领域的普遍性规则，本文研究了深度强化学习和图神经网络在学习这种广义策略的应用，并证明其具有普遍性。

May, 2020