神经符号强化学习与规划：综述

神经符号人工智能（Neurosymbolic AI）领域快速发展，已成为热门研究课题，涵盖神经符号深度学习（Neurosymbolic DL）与神经符号强化学习（Neurosymbolic RL）等子领域。相比传统学习方法，Neurosymbolic AI 通过简化复杂性与提供透明性及可解释性而具显著优势。强化学习（RL）作为模仿人类奖惩行为、历史悠久的人工智能（AI）概念，是 Neurosymbolic RL 的基本组成；后者为两领域近期融合，已产生可喜成果。本文旨在通过文献综述为新兴的 Neurosymbolic RL 领域做出贡献。我们的评估聚焦于构成 Neurosymbolic RL 的三大组件：神经、符号与 RL。依据神经与符号部分在 RL 中所起作用，我们将工作归为三类：用于推理的学习、用于学习的推理以及学习-推理。这些类别按应用进一步细分。此外，我们分析各研究工作的 RL 组件，包括状态空间、动作空间、策略模块与 RL 算法。我们还识别了该动态领域中各应用的研究机遇与挑战。