北航团队提出AEOS-Bench基准和AEOS-Former模型，通过AI优化卫星星座调度，解决任务规划问题。该研究在NeurIPS 2025上发表，展示了AI在空天智能领域的潜力。

字节推出Robix模型，整合机器人推理、任务规划和自然语言交互，解决模块间信息沟通问题。Robix采用思维链推理和三阶段训练策略，综合能力优于多款现有模型。项目负责人李航博士继续以顾问身份参与。

当多个插件同时使用时，Semantic Kernel 通过函数调用实现任务规划，支持并行调用，简化复杂任务处理。旧规划器已被弃用，建议使用函数调用以提升开发体验。

LOVON系统结合大语言模型与开放词汇视觉感知，旨在提升足式机器人在复杂环境中的长时任务执行能力。通过拉普拉斯方差滤波技术，LOVON解决了视觉不稳定性，实现了动态目标下的自主导航与任务规划。

本研究提出APEX框架，旨在解决大型语言模型（LLMs）在物理交互建模中的局限性。通过物理驱动的任务规划，APEX显著提升了LLMs在现实任务中的表现，强调了物理推理在语言智能与实际任务之间的重要性。

本研究提出了UAV-CodeAgents多智能体框架，旨在提升无人机任务规划的有效性和可扩展性。该系统结合视觉语言模型和反应式思维循环，实现了93%的成功率和平均96.96秒的任务创建时间，显著提高了规划的可靠性。

本研究提出了一种基于大型语言模型的具身机器人系统，旨在提升家庭机器人自主物品管理能力。通过记忆增强的任务规划，该系统优化了机器人执行用户指令的能力，并在多个家庭场景中展示了任务规划精度和记忆回忆能力的改善。

本研究提出了一种新颖的协调场代理系统，旨在解决无人机群体在城市环境中执行复杂任务时的协调和任务规划不足问题。该系统利用大型语言模型理解人类指令，实现去中心化自适应任务分配，实验结果显示其在任务覆盖率、响应时间和适应动态变化能力方面具有显著优势。

字节推出的扣子空间智能体在任务规划和资料搜集方面表现优异，具备解决实际任务的潜力，但在指令遵循上仍需改进。该系统支持多种应用，用户可通过简单指令生成报告和网页，提高工作效率。

本研究提出了Safe-BeAl框架，以应对大型语言模型在具身智能体任务规划中的安全性挑战。研究表明，LLM智能体可能出现不安全行为，而Safe-Align方法能够有效提升安全性，安全标准提高了8.55%至15.22%，同时确保任务完成。

本研究提出InstructRAG方案，旨在解决增强检索生成（RAG）在复杂任务规划中的可扩展性和可迁移性问题。通过构建指令路径图和训练智能体，显著提升了任务规划性能，使适应新任务的能力提高了19.2%。