分层任务网络

Parent: ai_keywords

分层任务网络

核心定义

分层任务网络（Hierarchical Task Network, HTN）是一种基于知识工程的人工智能规划方法。它通过将复杂高层任务递归分解为若干低层子任务（直至原语动作），构建出层次化、可执行的行动序列。HTN 的核心在于利用预定义的领域知识（任务分解方法）来引导规划过程，从而避免状态空间的盲目搜索，显著提升规划效率与可解释性。

关键技术点

1. 任务分解：将原始复合任务依据领域方法（method）拆解为子任务集合。方法定义了任务在特定上下文下的分解模式，是 HTN 规划的知识载体。
2. 递归结构：子任务可继续分解，直至全部为原子操作（primitive tasks），形成树状或网络的层次表征。这种递归性支持从抽象目标到具体行为的自然映射。
3. 部分排序与约束：子任务之间允许部分时间顺序，并通过变量绑定、资源约束等条件维护规划的可行性。HTN 天然支持并行性与资源管理。
4. 与经典规划的区别：经典规划面向目标状态搜索，HTN 则面向过程知识复用，更擅长结构化、领域依赖强的复杂任务（如机器人操作、游戏 AI）。

医学/神经科学应用场景：脑卒中后运动康复的智能化规划

基于首都医科大学神经病学的研究背景，分层任务网络可用于脑卒中后上肢康复机器人的个性化任务规划。脑卒中患者常因局灶性神经损伤导致运动控制层级紊乱（如初级运动皮层与基底节-丘脑-皮层环路的失衡）。

将康复治疗师制定的“主动抓握-举杯-放置”等高阶任务，利用 HTN 分解为若干原语动作（如“肩关节前屈 30°”“肘关节伸展 45°”“手指屈曲锁定”）。同时，根据患者肌力、痉挛程度（神经电生理评估数据，如表面肌电图、脑电图β频段功率）动态调整分解方法——例如对痉挛侧采用更细的子任务序列并插入放松动作。HTN 的层次化结构也映射了大脑运动控制的层级模型（前额叶→辅助运动区→初级运动皮层→脊髓），与帕金森病中基底节对运动程序分层组织异常的机制相呼应。该框架已在国内多家神经康复中心（包括首都医科大学附属宣武医院）的临床试点中，实现康复任务的自适应生成与疗效量化。