预期计划：通过估算未来任务的预期成本来改进长期计划

May, 2023

预期计划：通过估算未来任务的预期成本来改进长期计划

Anticipatory Planning: Improving Long-Lived Planning by Estimating Expected Cost of Future Tasks

Roshan Dhakal, Md Ridwan Hossain Talukder, Gregory J. Stein

TL;DR该论文提出了一种基于图神经网络的先见性规划方法，以预测机器人动作对未来任务的影响，指导机器人采取对将来有益的行为，从而降低整个规划过程的成本。实验表明，相比没有先见性规划，该方法能够将规划成本降低 5％，如果机器人可以提前准备环境，规划成本将降低 11％。

Abstract

We consider a service robot in a household environment given a sequence of high-level tasks one at a time. Most existing task planners, lacking knowledge of what they may be asked to do next, solve each task in isolation and so may unwittingly introduce side effects that make subsequen

service robot task planning graph neural network long-lived planning scenarios reduced planning cost

发现论文，激发创造

长期机器人任务的未来预测性成功或失败分类

自动化长时程任务的重点研究领域是如何利用机械臂完成任务，本文提出了一种基于未来预测的成功或失败分类方法，通过端到端的方式确定行动计划能否完成给定任务，此方法同时利用了长时程的未来预测方法和过渡一致性正则化术语，通过分类和机器人操作实验验证了方法的有效性。

Apr, 2024

数据驱动的任务预测与知识驱动的人机协作规划

一个名为 DaTAPlan 的框架扩展了之前的工作，使用低层次学习模型（LLM）来预测高级任务，使得一个代理人和人类能够协同合作通过经典规划系统计算出的低级行动共同实现这些任务，还能自适应地适应人类行为结果和偏好的意外变化，通过在真实的仿真环境中进行评估展示了准确的任务预测、有效的人机协作以及适应意外变化的能力。

Apr, 2024

机器人任务规划的可解释性和可预测性

针对智能机器人的高水平任务计划存在的问题，提出了 “计划可解释性” 和 “可预测性” 的概念，通过条件随机场模型学习标签方案并对新计划进行标签，用以提高机器人计划的可解释性和可预测性，该方法经过了人机交互和实际机器人测试并取得了较好的性能。

Nov, 2015

预期对策规划

本研究提出了一种新颖的算法 Anticipatory Counterplanning 用于提前推测对手的目标和计算计划质心，从而制定出针对性更强、可以阻止对手实现目标的主动计划，并通过实验结果表明，该方法优于反应式反对策略（reactive counterplanning）

Mar, 2022

智能执行计划分析系统

智能机器人在规划和执行计划过程中，通过监测系统寻找机会，以解决复杂环境中执行失败的问题，并超过常规的重新规划策略。

Mar, 2024

基于搜索的任务规划与学习技能效果模型的终身机器人操作

本篇研究论文中提出一种基于高级技能效应模型的任务规划方法，从而使得机器人能够在现实场景中获取新技能并解决新任务，实现了灵活的技能参数化和任务规定，使得机器人能够实现终身学习。同时，实验表明，这种规划方法能够以更低的成本策略找到新的任务。

Sep, 2021

多个时间任务下的最优成本偏好权衡规划

本文提出一种新颖的优先级概念，可表达对每个任务及其关系的偏好，并通过对 A * 搜索的扩展来生成符合用户偏好和资源优化的帕累托最优计划。同时，通过多目标 A * 算法适应性改进计算所有最优的取舍，并提出一个问题无关搜索启发式以实现可扩展性，在移动机器人和机器人操纵者上展示框架的效力，达到了 2 个数量级的加速。

Jun, 2023

多模态上下文化计划预测用于体验式任务完成

本文研究了在任务规划中，使用多模态上下文和自然语言处理来进行高层次的计划预测，以提高机器人物理系统的可迁移性，并利用理想计划作为基准来评估计划预测模型的改进空间。

May, 2023

动态估算行为代价的计划

本文提出了一种带有多个估计器的确定性计划泛化模型，以平衡计算时间和有界估计不确定性，这可以增加计划的准确性，从而增加可靠性，并减少不必要的计算负担，进而应用于大规模问题的研究。通过广泛的实验证明，该算法可以较之其他方法在运行时间上实现显著的节省。

Jun, 2022

通过想象学习预测自我中心动作

本论文衡量了自主驾驶和机器人等实际应用中关键领域的动作预测任务。为了更准确的预测未来的动作，提出利用未观察的帧的标志挖掘做出预测，利用 ImagineRNN 将动作预测分解为一系列未来功能预测，并通过代理任务和残差预测进一步改进模型。

Jan, 2021