Semantic Kernel中的规划器负责任务分解和执行，通过AI分析用户意图生成步骤序列。主要有三种类型：Action Planner适用于简单任务，Sequential Planner处理线性步骤，Handlebars Planner支持复杂逻辑。这些工具帮助开发者构建自动化流程，提高企业系统的效率和灵活性。

“神经-符号”融合规划器通过模仿人类运动学习的反馈机制，显著提高了规划的效率和准确性。该系统结合了神经和符号规划的优点，建立了双向闭环反馈机制，优化了错误检测与纠正，表现优于OpenAI o1，适合科学研究。

本文研究了自动驾驶规划器在复杂交通环境中的表现，提出了生成感知误差模型EMPERROR，以更准确地模拟目标检测器的噪声特征，从而显著提高碰撞率，强调其在自动驾驶系统评估中的重要性。

机器学习在自动驾驶规划任务中的应用进展缓慢。本文介绍了首个真实世界自动驾驶数据集和基准测试，评估基于机器学习的规划器在不同场景中的表现。数据集涵盖四个城市的1282小时驾驶场景，包含高质量的物体轨迹和红绿灯数据，并提供模拟和评估框架，分析基准测试，比较机器学习与传统方法的差距。数据集和代码可在nuplan.org获取。

大型语言模型在机器人领域展现出作为高级规划器的潜力。研究显示，像GPT-4这样的模型可以在仅有对象检测和分割的情况下，直接预测操作技能的末端执行器姿态，并能在失败后重新规划。这突破了对其在机器人应用中的限制性假设。

本文介绍了世界上第一个真实世界的自动驾驶数据集和基准测试，用于测试机器学习规划器在多样化行驶场景中的能力。数据集包括来自4个城市的1282小时的驾驶场景，并具有高质量的自动标记的物体轨迹和红绿灯数据。研究还提供了模拟和评估框架，用于考虑与其他交通参与者的交互。该研究分析了基于机器学习和传统方法之间的差距。

自从微软开源Semantic-kernel以来，他们一直在改进它，并发布了新指南和5篇文章介绍其功能。开发人员可以使用Semantic-kernel创建自然语言提示、生成响应、提取信息等。微软发布了一篇关于规划器改进的文章，介绍了嵌入集成到规划器技能中的调整。另一篇文章展示了嵌入如何帮助开发人员在GitHub存储库中提出问题或进行查询。微软还发布了一篇关于如何在Azure上部署Semantic-kernel的文章。GitHub仓库的star数量迅速增长，目前已经有3717个star，并且正在添加对其他LLM模型的支持。