该论文提出了一种从代理环境经验中学习非马尔可夫任务规范的新方法，可以将任务拆分为其构成子任务，提高了 RL 代理后续合成最优策略的速率，并提供了一个可解释的编码高级环境和任务特征的方式。

Aug, 2022

使用自然语言设计状态抽象来实现模仿学习的框架，该框架利用语言模型的背景知识和自然语言监督，自动构建针对未见任务的状态表示，并证明其提高了泛化性和稳健性，缩短了设计时间。

Feb, 2024

本研究提出第一个针对语言模型的执行模型，包含一种新的算法用于采样 LM 的预测结果，并引入了一种低级语言用于编写执行模型的 “认知程序”，以期为 LM 提供执行模型的必要性和未来研究方向提供光明的展望。

Jun, 2023

采用潜在变量和 KaRR 指标引导的统计知识评估框架对 14 种生成语言模型 (GLMs) 进行全面比较；该研究表明，具有相同骨干结构的 GLMs 的知识符合缩放定律，并且在指令遵循数据上的调整可能会危及模型始终生成正确的文本的能力。

May, 2023

本研究旨在探讨语言模型是否具有生成具体执行计划的能力，并针对该问题提出了一个新的问题解决方案: G-PlanET。通过将高级目标和特定环境中物体的数据表输入，我们设计了一种迭代解码策略，并使用新的度量标准 KAS 评估模型执行计划的质量，实验结果表明，将环境信息编码为表格，迭代解码策略可以显著提高语言模型的表现。

Aug, 2022

通过使用语言模型生成丰富的仿真环境和专家演示，在模拟数据上进行多任务策略训练，极大地增强了任务级泛化能力，并实现了对未见过的现实任务的强大转移能力。

Oct, 2023

提出了一种名为 DELTA 的新型 LLM 驱动的任务规划方法，通过将环境拓扑图作为 LLM 中的环境表示，以快速生成精确的规划问题描述；同时利用 LLM 将长期任务目标分解为自回归的子目标序列，以供自动化任务规划器解决；该方法提供了更高效且完全自动化的任务规划流程，实现了比现有技术更高的规划成功率和显著缩短的规划时间。

Apr, 2024

本论文通过提出了基于 Responsible Task Automation 的架构，以协调 LLMs 模型与执行程序之间的责任自动化合作，从可行性、完整性和安全性三个方面论述了如何让机器在自动化帮助人类任务时表现出负责任的行为。

Jun, 2023

本文旨在开发一个能够根据视觉信息来执行任务的框架，以响应自然语言指令进行带有物体接地的取物和搬运（FCOG）任务。为了解决现有框架的局限性，我们提出了一个完全自动化生成、执行和评估 FCOG 任务的框架，并引入了将任务划分为四个不同子任务的方法。

Nov, 2023

提出了 AGCL，一种基于确定性有限状态自动机（DFA）和面向对象马尔可夫决策过程（OOMDP）表示法的自动生成课程的方法，该方法在格子世界和基于物理仿真的机器人领域中的实验表明，AGCL 产生的课程在时间阈值性能上比最先进的课程学习和自动机引导强化学习技术实现了性能的提高。

Apr, 2023