本文研究多智能体路径规划问题，通过提出通用计划作为解决方案，并实现名为 ASP-MAUPF 的系统进行计算，从而找到每个代理的可行的通用计划，以确保不与其他代理发生冲突。

May, 2023

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

通过证明紧凑表示计划在不同标准下的边界，我们表明这些结果不能推广到普遍情况，同时证明一些正面结果，演示计划在某些情况下具有有用的紧凑表示，宏计划具有良好的访问属性。

Jan, 2014

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 Kc 语言，它扩展了 K 语言的声明式规划能力，并可以表示某些非平凡规划任务以及计算最短计划和最便宜和最快的计划的组合问题，同时研究了 Kc 语言的复杂性方面和通过逻辑程序的转化来解决计划问题的方法。实验表明，基于答案集规划的方法可能是解决复杂计划问题的有价值的方法。

Jun, 2011

通过研究动作的不同发生次数来分析导致规划正式化丧失可决定性的可能原因，使用多值偏序计划的概念实现了一个 NP 完全的数值规划片段，并研究了软性前提的优化技术。

Jul, 2023

本文介绍一种新的确定性行动的一致性问题的公式化方法，通过将此类问题转化为经典问题并使用经典规划器求解，作者提出的翻译映射方案被证明是可行且完整的，该方案的复杂度受到问题的一致宽度参数的影响，但大部分问题的参数均有界，基于此翻译的规划器表现优异。

Jan, 2014

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

介绍了基于规划程序的行动新颖性排名概念以及新颖性优化的 GP 算法，采用基于最佳优先搜索 BFS（v） 和其渐进变体 PGP（v）的方法，引入来自行动方案的提高可行性行动，并提出了新的评估函数和结构化程序限制，以扩展搜索范围。经实验证明，新算法 BFS（v）和 PGP（v）在标准通用计划基准测试中优于现有算法。

Jul, 2023

使用规划在现实应用中生成多个计划的能力是至关重要的。我们提出了一种在计划中选择重要顺序的方法，介于最高质量规划和无序最高质量规划问题之间，并探索了适应部分序减少搜索修剪技术来解决这个新的计算问题的方法，并通过实验证明了利用这种技术在这种情况下的好处。

Apr, 2024