本文讨论了在 Markov 决策过程中，使用 LTL 的公式作为代理规划的规范，通过形成多目标优化问题，从 MDP 中演示的行为轨迹中推断 LTL 规范，利用遗传编程解决该问题的有效性进行了证明。

Oct, 2017

通过引入分层结构的时态逻辑规范，将传统的机器人规划方法分解为多层组合规范，以提高语法简洁性、可解释性和规划效率，同时开发了一种基于分解的方法来处理具有分层时态逻辑结构的任务，实验结果表明分层形式具有更强的表达潜力，并且所提出的方法具有很好的效果，适用于机器人导航与操纵。

Aug, 2023

本文提出了一种使用线性时态逻辑公式生成机器人控制策略的方法，重点考虑了噪声传感器和执行器带来的影响，将其转换为马尔可夫决策过程来解决，包括案例分析。

Apr, 2011

通过引入层次结构和基于搜索的方法，利用时间逻辑规范解决了多机器人系统的任务规划问题，并在可扩展性方面得到验证。

Jan, 2024

本研究提出了一个两阶段框架来生成行为树（BT），首先使用大型语言模型（LLMs）从高层指示中解释目标，然后通过最优行为树扩展算法（OBTEA）构建高效的目标特定行为树，在服务机器人中的实验证实了 LLMs 在产生语法正确和准确解释目标方面的熟练程度，证明了 OBTEA 在各项指标上相对于基线 BT 扩展算法的优越性，并最终确认了我们框架的实际部署能力。

May, 2024

本文提出了一种新的多任务 RL 算法，通过离线策略学习选项来实现任务完成的全局最优性，并通过训练基于子目标序列的多步价值函数来更有效地传递满足未来子目标的奖励，从而解决了在 RL 中学习 LTL 任务代价函数时的一些问题。实验结果表明，该方法在 LTL 广义化方面具有优势。

Dec, 2022

通过提出一个简化的高级生成框架，我们旨在减轻设计和实现新代理的困难，该框架允许用户使用线性时态逻辑（LTL）指定期望的代理行为，并通过约束解码器确保产生的输出展现所需的行为，从而迅速设计、实施和尝试不同的以 LLM 为基础的代理，而不必考虑如何实现或执行。

Oct, 2023

该论文提出了两种学习 Linear Temporal Logic（LTL）公式的新算法，该算法通过将学习任务简化为命题布尔逻辑中的一系列可满足问题来实现，并且验证了这两种算法在合成基准测试和领导者选举协议的执行理解方面的优异表现。

Jun, 2018

本文研究了代理在非确定性环境中完成任务的问题，提出并比较了多种使用有限轨迹线性时态逻辑的最佳努力合成方法，这些方法基于相同的基本组件，但在组件的组合方式上有所差异，并通过实证评估验证了这种差异对方法性能的重大影响。

Aug, 2023

研究纯过去时线性时态逻辑（PPLTL）中表达的时间上延长的目标，这对于表达目标特别有趣，因为它允许表达形式方法文献中的复杂任务，同时在确定性和非确定性领域的规划的最坏情况的计算复杂性仍然与经典可达性目标相同。本文提出了一种将 PPLTL 目标的计划多项式转化为标准计划的技术，并展示了翻译的形式正确性、复杂性和实际效果。

Apr, 2022