该研究探讨人类在计算资源有限的情况下如何决策分配的元认知能力和元学习机制，结果表明人们通过学习来获得这种能力，并且可能是通过一种策略梯度机制来学习调整规划的数量。

Jan, 2022

本研究旨在解决进行计划和执行时由于时间紧张而面临的机遇与风险权衡问题，并通过发展贪心解决方案算法，为同时计划和执行的有原则的时间感知执行奠定了基础。

Mar, 2023

在本文中，我们提出了一个使用语言模型进行多步逻辑推理的新型系统，该系统将显式计划纳入其推理过程中，从而通过向前看到它们的未来效果，能够在每一步上做出更明智的推理决策。在我们的实验中，我们的完整系统明显优于其他竞争系统，在多项选择题回答任务中，我们的系统表现与 GPT-3-davinci 相当，尽管只有约 15B 的参数。我们进行了几项削减研究，以证明显式计划在系统性能中起着重要作用。

Mar, 2023

智能机器人在规划和执行计划过程中，通过监测系统寻找机会，以解决复杂环境中执行失败的问题，并超过常规的重新规划策略。

Mar, 2024

通过自然语言引导视频预测，我们提出了一种新的视觉预测结构，使得计算机可以通过语言输入来分解高级任务计划，并且使用预先训练好的 transformers 使得模型具有一定的任务泛化能力，实验表明，这种结构相对于不具有任务规划或动作引导的基线模型具有显著优势，并且通过深入研究发现语言嵌入技术对于任务泛化能力的提升非常重要。

Oct, 2022

本文研究了语言模型的最佳规划能力，可以构建给定环境的认知地图，实验证明认知地图显著提高了网格世界路径规划任务中的规划生成能力，同时展示了与人类认知类似的两个关键特征：将规划能力泛化到外推环境和有限训练数据下的快速适应。希望本研究结果能够为基于语言模型的模拟人类认知流程提供启示，从而开发出更先进、更健壮的系统，更好地模拟人类思维。

Jun, 2024

提出了一种基于动物生态学理论的新型高效生物灵感规划算法 TLPPO, 并将其与一个传统算法进行比较。在模拟模拟老鼠逃避机器人捕食者的实验中，TLPPO 算法表现出与生物老鼠类似的高效率。该研究对规划算法用户和开发人员，以及研究复杂行为基础的神经科学领域具有参考价值.

Nov, 2022

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

该研究基于情境评估，提出了一种新颖的解决方案，可以在人机团队合作中帮助机器人预测和模拟人类决策，并通过沟通协调达到信念一致，提高问题解决效率和鲁棒性。

Oct, 2022

讨论在计算能力不足时使用替代逼近过程和启发式方法以及使用用户效用结构对推理进行量身定制来平衡部分结果的成本和收益的应用决策理论来解决困难问题的解决方案。

Mar, 2013