许多具有原子目标的经典规划领域可以通过一个简单的多项式探索过程（称为 IW）解决，该过程在问题宽度的指数时间内运行，而在这些情况下问题宽度是有界且较小的。本文通过将有界宽度与每个规划实例中表示为有界大小的原子元组的一般最优策略的存在相关联，解答了为什么在考虑原子目标时许多基准领域具有有界宽度的问题。此外，我们还定义了（显式）串行化和序列化宽度的概念，这些概念具有更广泛的范围，因为许多领域具有有界序列化宽度但没有有界宽度。这些问题可以通过序列化 IW 算法的适当变体在多项式时间内非最优地解决。最后，一般策略的语言和串行化的语义结合起来，以便以简洁的形式用草图指定串行化，这些草图可以通过手工编码领域控制知识或从小例子中进行学习。有界宽度的草图以多项式时间解决问题的分解表达一般问题分解。

Nov, 2023

研究结论指出，bounded width 是规划域类的一个特性，它可以被用来表示这些域具有一般策略的最优解。这些规划域的表示形式（聚合信息）可以被简单，有意义和有表现力的计划草图语言表示。

Dec, 2020

本文研究了一种模型学习和在线规划方法，目的是构建灵活、通用的机器人。具体而言，我们研究如何利用底层环境转换模型中的局部性和稀疏性结构，以提高模型泛化能力、数据效率和运行效率。我们提出了一种新的领域定义语言 PDSketch，允许用户灵活定义转换模型中的高级结构，同时利用可训练的神经网络填充转换模型的细节。基于定义的结构和学习的参数，PDSketch 自动生成独立于领域的规划启发式，加速了针对新目标的性能时间规划。

Mar, 2023

本研究扩展了基于宽度的规划算法并引入了显式的策略学习，以增强先前的回报信息。与先前的算法相比，将策略估计视为神经网络，用于引导规划，并展示了其在 Atari 游戏套件像素设置中的卓越表现，同时也去除了规划的预定义特征要求。

Apr, 2019

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

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

该研究提出了一个可从弱注释数据中学习有用子目标的框架，以支持高效长期规划以实现新目标，该框架的核心是基于环境状态的理性子目标 (RSGS)，它们可以被指定为 A * 或 RRT 等规划算法的中间点，并显著提高规划效率。

Mar, 2023

本论文提出了一种基于策略草图的多任务深度强化学习框架，该框架实现了通过关联每个子任务与模块化子策略、跨任务共享子策略的方式来提高任务性能，并自然地产生可解释的基础行为库，以便迅速适应新任务。

Nov, 2016

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

通过结合经典规划和大型语言模型的优势，我们实现了基于 LLMs 的目标分解，提高了计划的速度和执行成功，并且比单一代理计划少了更少的执行步骤，同时实现了与人类专家指定的多代理执行步骤类似的结果。

Mar, 2024