传统城市规划方法面临挑战，人工智能（AI）为其带来创新。清华大学等机构提出基于大语言模型（LLM）的智能城市规划框架，结合AI与人类规划师的经验，提升规划效率与创新性。该框架涵盖概念设计、方案生成和效果评估三个阶段，利用AI进行科学评估与模拟，优化城市设计与人机协作。

本研究提出了一种新的自主驾驶框架（iPad），旨在解决现有系统的信息损失和规划效率问题。通过引入锚定注意力机制，该框架显著提升了规划质量和效率，实验结果在多个基准测试中表现优异。

本研究提出了一种离散层次规划（DHP）方法，有效解决了长时间视觉规划任务中的挑战，显著提升了复杂环境中的规划效率和成功率。

本研究提出了一种结合命令与层级规划的模型，以提升机器人在多层次任务中的规划效率和响应速度。通过大型语言模型（LLM），实现了将人类请求转化为可执行计划，增强了长期任务规划的可行性和灵活性。同时，研究探讨了分层结构和基于搜索的方法在多机器人系统中的应用，提升了任务成功率和执行效率。

本文探讨了活跃推理理论及其在机器人导航中的应用，介绍了多种基于深度学习的主动推理模型，如Active Neural SLAM和FarMap，强调了智能体在动态环境中学习和探索的能力。研究展示了认知地图和空间感知在导航中的重要性，并提出了新的分层模型和算法，以提高复杂环境中的规划效率。

本文提出了一种新的本地启发式搜索方法，针对广义规划（GP）问题，定义了基于程序的解空间和BFGP算法，以优化搜索策略。研究表明，该方法在处理大型状态变量和数值域时表现优越，能够有效提升规划效率，并在多智能体路径规划中减少等待时间。