运行时规划（例如机器人在执行过程中重新规划）要求规划器能够直接读取用户编写的 PDDL（包含持续动作、数值资源、时间窗口、连续变化），快速给出答案，并只输出经过验证的计划。现有的专用规划器在 PDDL 的某些子集上表现突出，但它们在覆盖范围、响应时延以及失败含义上各不相同。
Kairos 的核心思想是根据任务的语义特征挑选异构的搜索引擎，以实现从 STRIPS 到 PDDL+ 的广泛覆盖，同时保持与专用规划器相当的性能，并明确每个答案的保证。系统首先对每个任务进行特征画像，然后在以下五类引擎中决定使用哪一种：基于地面启发式搜索、压缩的快照式时序搜索、用于混合动力学的时间步搜索、提升搜索以及其他专用搜索。所有候选计划都会交由独立于规划器内部转换的验证器检查，只有当搜索空间被彻底穷尽且得到不可解的证明时才报告“不可解”。
在 1,756 个来自九个对比基准套件的任务上，Kairos 在完整资源限制下解决的任务数超过了每个套件中表现最好的单一规划器，尤其在数值、时序、PDDL3 和 PDDL+ 任务上差距最大；在 100 ms 与 1 s 的严格时限下也表现最佳。对域的重新抽样实验显示，在九个套件中有六个的增益为正，而在经典规划对比 LAMA 时差异在噪声范围内。额外的 450 个特征导向任务和 26 项单特征探测表明，Kairos 能处理所有 17 种被测试的特征，而其他任何已评估的规划器最多只能覆盖八种。消融实验指出，压缩时序搜索和新颖性回退是主要贡献因素；与 VAL 的对比将所有不一致归因于 PDDL+ 的约定差异或已记录的 VAL 缺陷。规划器和基准数据均已开源。
点评