本研究探讨了自动规划中域模型获取的难题，提出了数值安全动作模型学习(NSAM)算法。研究表明，NSAM在长期规划任务中表现优越，而RAMP方法通过在线学习提升了规划效率。

本文探讨大型语言模型（LLMs）在自动规划中的局限性，分析其在复杂任务和长时间推理中的缺陷，提出结合传统规划方法以提升效果，展现出潜力与价值。

本研究探讨了大型语言模型（LLMs）在自动规划中的应用，发现其自主生成计划的能力有限。通过引入LLM + P框架和RAP推理框架，研究表明LLMs在启发式模式下能改善其他智能计划器的搜索过程。此外，提出了LLM-模块化框架，结合外部验证器以提高规划和推理的准确性，解决了LLMs在多步推理中的不一致性问题。

本文介绍了一种结合深度学习与经典规划的无监督架构LatPlan，旨在提高自动规划的效率。该方法通过学习通用策略和启发式函数，在多个领域中显著优于传统规划者。此外，研究提出了基于图神经网络的对象重要性预测架构，进一步优化了规划过程。新方法WL-GOOSE在学习规划模型中表现出色，展示了其在不同领域的应用潜力。

本研究探讨了大型语言模型（LLMs）在自动规划中的应用，发现LLMs在翻译方面表现优异，但在数字和物理推理任务中存在局限。研究提出了多种框架，如Teriyaki和LLM + P，结合经典规划器的优点，显示出LLMs与传统方法结合的潜力。实验结果表明，混合方法SimPlan在规划任务中优于现有基于LLMs的规划器，展示了完全自动化规划的可能性。

该论文探讨了描述逻辑的概念及其特点，分析了描述逻辑与OWL的关系，介绍了多种机器学习方法在本体学习中的应用，提出了基于描述逻辑的规划新方案，并研究了自动规划方法在智能环境中的应用，最后展示了OWLOOP API的优缺点。

本文探讨了大型语言模型（LLM）在城市规划和移动生成中的应用，提出了将LLM与城市数据对接的创新方法。研究表明，LLM在自动规划、活动生成和参与式城市规划中表现优异，提升了居民满意度和包容性，预示着其在未来城市规划中的重要性。

本文介绍了多个框架和方法，结合大型语言模型（LLMs）与强化学习，提升推理和决策能力。CGPE框架在知识更新方面表现优越，IGE-LLMs在长期操控任务中显著提高性能，SELF-DISCOVER框架在复杂推理问题上超越传统方法。AlphaLLM和LGE框架通过自我改进和决策指导提升模型能力，展示了LLMs在自动规划和深度推理中的潜力。

本文探讨了大型语言模型（LLMs）在自动规划任务中的应用，发现其在自主规划方面表现有限，但在启发式模式下能改善其他智能计划器的搜索过程。研究提出了LLM + P框架，将经典计划器与LLMs结合，显示出更优的计划解决能力。实验表明，LLMs在路径规划和空间推理方面有潜力，但在复杂环境中的推广能力不足。

大型语言模型（LLMs）在自然语言处理和推理任务中表现优异，但资源需求高。研究提出了一种混合方法SimPlan，评估其在规划任务中的表现，发现LLMs在自主规划方面能力有限，但在启发式模式下表现较好。该研究旨在推动LLMs在自动规划中的应用。

本文提出三种新颖的图表示方法，利用图神经网络（GNN）学习领域无关的启发式。这些方法在处理更大问题时优于现有模型STRIPS-HGN，并有效应用于不同领域的自动规划。实验结果表明，生成的启发式算法在多个任务中具有较强的推广能力和效率。

该文介绍了一种通用框架，将自动规划和强化学习整合，称为SDM。该框架基于概率论和贝叶斯推断的概念，可以适用于任何方法。作者提供了一个通用算法，并推测每个SDM方法都基于它。作者推导出一组用于计算SDM任务和方法的公式和算法。