波士顿动力的Atlas机器人升级为Atlas MTS，具备自然语言理解、自主规划和应对意外的能力。新模型基于大型行为模型（LBM），采用4.5亿参数的扩散Transformer，能够精准执行人类演示的动作。这次升级标志着机器人从液压驱动转向电驱动，提升了性能和适应性。

本研究提出了改进算法AoT+，有效解决了大语言模型在自主规划中的不足，使其在规划基准测试中超越了以往方法和人类基准，展现了生成长期计划的能力。

本研究探讨了语言智能体在自主规划中的主要障碍，指出约束条件的有限作用和问题影响的减弱是关键因素。尽管现有策略有所改善，但仍未完全解决这些挑战，表明智能体在达到人类水平智能之前面临重大困难。

本文探讨了大型语言模型（LLMs）在自主规划中的应用与挑战。研究表明，LLMs在自主规划能力上存在局限，但在启发式模式下能够改善其他智能计划器的搜索过程。通过实验，提出了混合方法SimPlan，其性能优于现有的LLMs规划器。

本文研究了LLLms在常识规划任务中的能力，通过国际计划竞赛评估了其在自主规划和启发式模式下的表现。发现LLLms在自主规划方面有限，但在启发式模式下，其生成的计划可以改善搜索过程并提供反馈验证计划质量。