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

预训练语言模型（PLMs）通过启发式分析和分析性推理链条的策略，改善了模型决策的连贯性，并且在物理常识推理方面取得了最先进的结果，进一步表明人类类推理策略可以有效提高 PLM 的决策连贯性和可靠性。

Oct, 2023

本文提出了一种基于大型语言模型（LLM）的创新方法，解决了自动生成复杂任务的行为树（BT）的挑战性任务。该方法利用 LLMs 的鲁棒表达和推理能力，设计了一个基于 LLM 的 BT 生成框架，通过数据合成、模型训练、应用开发和数据验证的全过程，大幅提高了 BT 生成模型的性能，并引入多级验证策略确保生成的 BT 的有效性和可执行性。

Jan, 2024

本研究介绍了一种利用启发式算法解决定理证明和计划制定问题的方法，并将其应用于 situation calculus 中。该方法通过使用 A * 搜索算法排列一系列情境，并利用删除松弛法控制启发式规划器，获得较短的计划方案，并探索较少的状态。实验表明，该方法可以应用于较大规模的问题。

Mar, 2023

本书介绍了如何使用行为树来设计且高效地创建具有模块化和反应性的自主系统，并描述了行为树与早期开关结构的关系，以及如何使用状态空间描述对安全性、鲁棒性和效率进行正式分析，并展示了行为树在自动化规划和机器学习中的应用，最后描述了一组扩展工具以捕捉随机行为树的行为。

Aug, 2017

优化在约束部分可观察马尔可夫决策过程中的规划，使用层次分解和在线基于搜索的约束选项信念树搜索算法来扩展大型机器人领域中的规划问题。

Oct, 2023

通过引入分层行为和运动规划（HBMP），我们在学习驾驶解决方案中显式地建模行为，解决了不同场景的 RL 训练效率低下的问题，并在 SUMO 的快速事件仿真器中进行训练，最终在 CARLA 动力学仿真器中进行训练并转移到现实世界，证明了该方法的有效性和可推广性。

May, 2020

利用深度神经网络学习适用于不同对象及数量的通用启发式方法，以解决当前计算复杂性问题所依赖的手工编码符号动作模型和启发式函数生成器效率不高的问题。实证评估表明，由此方法计算的通用启发函数可轻松应用于不同对象、数量显著大于训练数据的问题。

Jul, 2020

使用基于层次贝叶斯心理理论的方法，在婴儿先天直觉测试基准中取得接近于完美的结果，表明了结构化的贝叶斯人类社交认知模型的优势，同时实现了可解释的人类化推理。

Aug, 2022

通过迭代地探索和自我评估许多思维树以获得试错推理经验集，我们提出了一种用于 LLMs 问题解决的自动提示框架 BoT，它将作为一种新形式的提示来解决复杂的问题。实验证明，BoT 在解决复杂数学问题时，与其他先进的提示方法相比，可以达到更高或相当的问题解决率。

Feb, 2024