本研究提出了一种新的神经符号规划框架Gideon，旨在解决PDDL基础的符号任务规划在动态人机协作中的可扩展性和重规划需求。实验结果显示，Gideon在多领域规划中的有效性比率达到70.6%，显著提升了计划的可用性和执行效率。

本研究分析了大型语言模型在自动形式规划任务中理解和生成规划领域定义语言（PDDL）的能力，发现尽管部分模型表现良好，但在复杂规划场景中仍存在局限性，为未来AI规划的发展提供了指导。

本研究提出了Image2PDDL框架，利用视觉-语言模型自动将图像和描述转换为规划领域定义语言（PDDL），降低了专业知识的需求，提升了任务的可扩展性，展示了在人工智能规划中的应用潜力。

本研究提出了Hive，一个综合性解决方案，旨在解决智能体规划不足的问题。Hive能够处理多模态输入输出，规划复杂行动链，并提供透明性。其MuSE基准为评估智能体系统的多模态能力提供了方法，实际结果显示其在任务选择上优于其他系统。

本研究扩展了Unified-Planning库，针对PDDL语言的局限性，增加了数组类型、布尔计数表达式和整数参数，从而提升了高层次建模能力，显著增强了自动化规划系统的表达能力和应用潜力。

本研究提出LaMMA-P框架，将语言模型与传统启发式搜索规划器结合，用于异构机器人团队的子任务识别和分配。实验结果显示，LaMMA-P在任务成功率和效率上分别提高了105%和36%。研究还探讨了大型语言模型在多智能体系统中的应用潜力和挑战。

本研究提出了一种综合工作流程，通过集成的系统和产品模型自动生成PDDL描述，提高规划过程的效率和适应性。

本研究提出了一种新方法，结合PDDL语言和大型语言模型（LLMs），以提高计划问题的效率和准确性。通过验证PDDL模型，成功解决复杂任务。研究表明，GPT-4作为广义规划器表现优异，结合经典规划和LLMs的优势，显著提升了计划速度和执行成功率。AdaPlanner通过闭环反馈自适应改进计划，优于现有算法。

本研究提出了一种结合大型语言模型（LLMs）与经典规划器的新方法，利用PDDL语言构建显式世界模型，从而提高计划的效率与准确性。实验结果表明，LLM + P框架能够有效解决复杂任务，生成高质量的计划，并显著减少错误。此外，研究还探讨了LLMs在自然语言与结构化计划语言之间的转换能力，发现其在翻译方面的表现优于规划。

本文研究了一种模型学习和在线规划方法，以构建灵活、通用的机器人。提出了PDSketch领域定义语言，允许用户定义转换模型的高级结构，并利用神经网络填充细节。PDSketch生成独立于领域的规划启发式，加速了性能时间规划。