该研究提出了一种基于行为树的动态角色分配和协同任务规划的新型架构，使用混合整数线性规划来指定团队中个体的角色或协作，各种指标作为 MILP 成本允许体系结构支持协作的各个方面，并通过增强现实用户界面实现了人 - 系统之间的双向通信，以协调处理不同操作阶段的工人，并通过主观评估证明了该架构的高可用性和适用性。

Jan, 2023

该研究提出基于行为树的多机器人任务规划框架，并利用数据分发服务进行通信，通过定义新类型的行为树行动和改善节点异步控制多机器人，实现了单一任务规划单元并支持异常恢复。

Jan, 2022

本文通过建立数据集，利用深度强化学习求解器，采用新的鲁棒混合整数线性规划模型，解决了不确定自主清洁系统中多机器人混合任务分配的问题，并且可以在保持性能的情况下，防止系统出现最坏情况，同时提供了一个基准数据集。

Mar, 2023

本文提出了一种联合任务和运动规划方法来优化任务的排序、分配和执行，解决多智能体系统中的时空变异性问题，采用时间轴规划处理任务的时间约束、时间变化和协同分配，在网络平面规划中以环境变化为前提，证明了该方法的有效性。

Mar, 2023

本文介绍一个通用的、广泛涉及机器人、计算机科学、运筹学和人工智能等领域的任务分配问题，包括机器人、任务和周围环境状态的多个版本，并探讨了解决该问题的现有方法，包括基于优化和市场的方法。

Jul, 2022

通过引入层次结构和基于搜索的方法，利用时间逻辑规范解决了多机器人系统的任务规划问题，并在可扩展性方面得到验证。

Jan, 2024

本研究提出了一个两阶段框架来生成行为树（BT），首先使用大型语言模型（LLMs）从高层指示中解释目标，然后通过最优行为树扩展算法（OBTEA）构建高效的目标特定行为树，在服务机器人中的实验证实了 LLMs 在产生语法正确和准确解释目标方面的熟练程度，证明了 OBTEA 在各项指标上相对于基线 BT 扩展算法的优越性，并最终确认了我们框架的实际部署能力。

May, 2024

基于相似性的双阶段任务分配算法利用强化学习来学习优化分配策略，有效解决了动态任务分配的挑战，并具有良好的性能和零样本泛化能力。

Jun, 2024

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

通过去中心化强化学习，提出一种多智能体团队任务分配的决策框架，考虑负载管理，鼓励闲置并避免不必要的资源使用。开发了一个衡量智能体在协作中重要性的指标，推断团队在处理潜在的过载情况时的弹性。

Jul, 2022