Solving complex planning problems has been a long-standing challenge in
computer science. learning-based subgoal search methods have shown promise in
tackling these problems, but they often suffer from a lack of
有效应对组合推理问题，尤其是著名的 NP 难问题，对 AI 研究来说仍然是一个重大挑战。最近的工作致力于通过引入分层高级搜索策略（即子目标方法）来提高规划效果。然而，它们在与传统的低级规划器的性能对比方面存在不一致性，引发了对其应用范围的疑问。本研究深入探讨了用于组合推理的子目标规划方法，并确定了利用高级搜索优势的关键属性：难以学习的价值函数、复杂的动作空间、环境中存在死胡同，或使用来自多样专家的数据。我们提出了一种一致的评估方法，以实现方法之间的有意义比较，并对最先进的算法进行重新评估。