本论文旨在解决在工业相关场景中为机器人生成任务计划的难题。随着小批量生产的增加，企业要求机器人经常为新任务重新编程。然而，只有在大规模生产时，维持一支具备特定编程技能的操作员团队才具有成本效益。自动化程度的提高将目标定位在人类与机器人共享工作环境的企业，扩大了制造业的应用范围。为此，需要通过任务计划来控制机器人，从而安排和优化行动的执行顺序。本论文的重点是生成反应灵敏、透明、可解释、模块化和自动合成的任务计划。这些任务计划可提高机器人的自主性、容错性和鲁棒性。此外，这种任务计划还能促进与人类的合作，实现计划的直观呈现，并使人类有可能在运行时提示指令，以修改机器人的行为。最后，自主生成减少了操作员为机器人编程所需的编程技巧，并优化了任务计划。

本论文讨论了使用行为树（BT）作为机器人任务计划的策略表示。论文比较了行为树和有限状态机（FSM）的模块性，认为行为树在工业场景中更为有效。本论文还分别使用遗传编程法和从演示中学习法探索了自动和直观生成 BT 的方法。所提出的方法旨在为移动操纵任务高效地进化 BT，并允许非专业用户直观地教授机器人操纵任务。本论文强调了用户体验在任务解决中的重要性，以及用户体验如何使进化算法受益。最后，论文提出了使用以前从演示中学到的 BT 来干预无监督学习过程的方法。