介绍了一种约束模型，用于解决将网格减少到给定目标数量或更少的 Plotting 问题，探讨了 AI 规划在建模语言方面的不足，建议富有表达力的建模语言对 AI 规划有益。

Oct, 2021

我们报告了建模和解决 Puzznic 的进展情况，这是一款需要玩家计划移动序列以匹配方块从而清理网格的视频游戏，我们在没有移动方块的关卡上比较了计划方法和三种约束编程方法在一小组基准实例上的表现，目前计划方法优于约束编程方法，但我们提出了改进约束模型的建议。

Oct, 2023

本文研究了如何使用领域无关的规划器和组合搜索来玩《愤怒的小鸟》，使用了 PDDL + 进行了建模，并提出了多个领域特定的增强措施，包括启发式和类似首选操作员的搜索技术，研究对比表明我们的方法在大多数水平上与定制的特定领域解算器的表现相当，即使不使用领域特定的搜索增强措施。

Mar, 2023

通过自动化测试和自动计划行动模型学习技术，本文提出了一种用于测试特定视频游戏方面的方法和工作流。该方法和工作流允许游戏开发人员和 PDDL 建模经验者之间的高效合作，以实现对计划领域描述语言 (PDDL) 的正式模型的生成，从而通过在 Unity 游戏开发引擎中提供的简单的角色扮演游戏的教程项目进行演示。本文是向流程中建模专家的职位需求降到最低甚至消除的第一步，从而使自动计划可以更广泛地被应用。

Feb, 2024

使用人类决策过程的教学视频培训模型，学习从视频中直接生成可规划结构的状态和行动空间，并使用 Planning Transformer 解决了长期决策的复杂性问题，并通过实验证明了其在达到目标方面的良好性能表现。

Sep, 2021

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

使用文本环境进行规划仍然是人工智能系统面临的主要挑战之一。最近的研究方法使用语言模型来预测规划领域定义（例如 PDDL），但仅在封闭领域的模拟环境中进行评估。为了解决这个问题，我们提出了 Proc2PDDL，这是第一个包含开放领域流程文本和专家注释的 PDDL 表示的数据集。利用这个数据集，我们评估了最先进的模型在定义行动的前提条件和效果方面的性能。我们展示了 Proc2PDDL 数据集的高度挑战性，GPT-3.5 的成功率接近于 0%，而 GPT-4 的成功率约为 35%。我们的分析表明存在句法和语义错误，这表明语言模型在生成领域特定程序和推理事件方面存在不足。我们希望这个分析和数据集有助于未来将语言模型和形式规划的优点融合在一起。

Feb, 2024

通过使用基于屏幕的计划方法，我们研究了 Atari 2600 视频游戏的规划问题，结果表明，该方法能够快速比较人类和机器学习方法的规划结果，并通过 IW (k) 算法的每一回，实现了几乎实时的在线规划。

Jan, 2018

本研究提出了一种新的学习规划模型的方法，其既有组合方法学习清晰的动作模板，又能够从图像空间中产生动作模板，这是结合前两种方法的优势的一步。

Apr, 2022

本文描述了模型语言 PDDL2.1 的语法、形式语义和并发计划的验证，该语言具有很强的建模能力，超越了当前规划技术的能力，并对研究社区提出了重要挑战。

Jun, 2011