该研究通过组合对离散任务领域和连续运动生成进行推理的混合规划方法，生成包含无法完全基于计划时间进行植入的行为的任务和运动计划，在执行过程中使用由人设计或学习的闭环行为处理此类行为，并通过反馈行为故障作为约束条件找到新的计划，从而在真实机器人试验中展示了更快的执行时间、更少的动作数量以及在出现多样化间隙问题时更高的成功率，并与最新技术进行了比较，提供实验数据供研究人员模拟这些情景，为机器人解决更多现实部分植入问题的适用类别展示了希望。

Jun, 2024

本文提出了一种基于多层次的任务和动作规划框架，可以协调多个机器人完成复杂结构的组装，在高层次通过整数线性规划算法计算抽象计划，并在低层次使用多智能体路径规划算法规划机器人的运动路线，关键在于高层次规划中的避碰约束和运动的持续时间，以使得抽象计划既可行又高效。

Mar, 2022

我们提出了一种基于视觉的分层规划算法，利用神经符号任务规划和基于低级运动产生的联合框架，以指定目标为条件。该算法使用两级场景图形式来表示操作场景，即几何场景图和符号场景图，并使用图形神经网络来为高层任务规划和低层动作生成处理这些场景图。我们在物理模拟和现实世界中的厨房储物任务中验证了我们的方法，并证明我们的方法比标准的搜索任务和运动规划器运行速度高四个数量级。

Dec, 2020

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

介绍了 FFRob 算法，它使用 Extended Action Specification (EAS) 作为一般性的计划表示来支持任意谓词为条件。通过使用批量采样操纵基元和一个多查询路网结构来迭代离散化任务和运动规划问题，FFRob 可以有效地计算启发式，并结合几何和运动学规划约束，给出距离目标的紧密估计。同时，FFRob 也是概率上完备并且具有有限的期望运行时间。

Aug, 2016

研究了 TAMP 中的运算符学习问题，提出了一种自下而上的关系学习方法来学习运算符，并将其应用于机器人规划中。实验结果表明，该方法在三个领域中的性能明显优于几个基线，包括最近文献中基于图神经网络的三种无模型方法。

Feb, 2021

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

本文提出了一种学习任务成本和协同关系的方法，应用于人机协作的任务规划中。 在模拟场景下运行实验，演示了该方法的有效性，提高了任务规划的成功率。

Oct, 2022

任务和动作规划方法中的抽象描述模糊和欠定性使得很难确定成功执行任务所需的物理约束。我们提出了一种替代的任务和动作规划方法，将任务和动作规划融合为一个启发式搜索，并基于基于物体的抽象的运动约束，从而利用现成的人工智能启发式搜索的计算效率，产生具有物理可行性的计划，无需进行密集的子符号几何推理。

Dec, 2023

本文介绍了一类机器人任务运动规划问题，并概述了解决它们的算法，着重介绍了解决连续空间子问题的策略和整合搜索过程中离散与连续部分的技术。

Oct, 2020