该研究使用无模型强化学习方法解决了部分已知环境下自主智能体的运动规划问题，提出了一种基于线性时态逻辑和 Markov 决策过程的方法，并应用于无人机的实际控制中。

Apr, 2023

该研究通过对 PDDL 的扩展，提出了一种解决高维连续变量中的机器人规划及其动力学、碰撞、可视化等限制条件的算法，并在三个机器人领域的仿真环境和多个现实机器人任务中进行了验证。

Feb, 2018

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

该论文提出了一种懒惰计算法并结合局部单调求解器与全局规划器，以高效地解决在密闭空间中进行的物体重新排列问题。该算法可在考虑物体间可达性约束的情况下，快速发现物体间依赖关系，并在求解目标时拓展局部最优解来移动物体以完成整个任务，成功应用于高达 16 个物体的场景中，并且解决速度和解决质量都优于目前现有算法。

Mar, 2022

该论文介绍了一种用于引导几何任务和运动计划（GTAMP）的学习框架，它通过引入新颖的 planner 来扩展启发式搜索与随机采样和启发式函数相结合，以解决 GTAMP 问题中的困难，并提出了两种学习算法以提高其效率。该框架在挑战性的 GTAMP 问题中进行了评估，显示它能够提高计划的效率和数据效率。

Mar, 2022

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

本文介绍了将深度生成建模与任务规划相结合的方法，以解决在未知环境中的自主机器人操作规划中运用传统 TAMP 方法中存在的问题。通过使用扩散模型学习约束条件和采样器，并将其与 TAMP 求解器组合使用以满足计划中的约束条件。同时，为了在这些约束条件满足不确定物体状态的情况下进行预测，在学习的低维潜在空间中定义这些采样器。实验结果中介绍了使用传统 TAMP，生成式学习和潜在嵌入组合的长程约束条件推理方法在一个物体操作环境中的有效性。

Jun, 2023

该研究提出了一个框架，名为广义 Lazy 搜索（Generalized Lazy Search），能够更有效地解决机器人运动规划中的搜索难题，其中包括了来自边缘评估的瓶颈问题和搜索努力带来的负担问题。该框架有效地平衡了这两方面的问题，可显著提高搜索效率。同时，该研究采用边缘概率技术，在 R2、SE（2）和 7-DoF 操纵等多数模拟环境中优于竞争基准。

Apr, 2019

PDDLEGO proposes an iterative planning representation approach for partially-observed environments, achieving efficient plans and strong performance compared to end-to-end LLMs.

May, 2024

LLM^3 是一种基于大型语言模型（LLM）的全新的任务和运动规划（TAMP）框架，具有领域无关的接口，利用预训练的 LLM 的强大推理和规划能力来提出符号动作序列并选择运动规划的连续动作参数，并通过提示将运动规划反馈到 LLM 中，从而通过对运动失败进行推理来不断改进提案，解决 TAMP 问题，选择行动参数的有效性得到定量证明，并在实际应用中对物理机械臂进行定性实验。

Mar, 2024