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。

本研究通过增强Unified-Planning库，扩展了PDDL语言的表达能力，支持数组类型、布尔计数表达式和整数参数，从而提升了自动化规划系统处理复杂问题的能力。

该论文探讨了多智能体规划中的责任预测过程，定义了主动、被动和贡献性责任，并提出了责任预测的概念。模型表明该概念可用于智能体协调，讨论了复杂性及与经典规划的等效性，并提供了使用PDDL求解器解决相关问题的框架。

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。

本文介绍了一种自主学习方法，通过无标注的机器人轨迹自动学习状态和动作的逻辑关系，形成类似PDDL的模型。实验证明，少量轨迹即可学习强大表示，扩展规划算法的任务范围。

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。

本研究使用PDDL语言构建显式世界模型，并利用预训练的语言模型作为纠正反馈的接口，提高计划问题的效率和准确性。通过验证PDDL模型的正确性，解决复杂任务并取得成功。

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。