Effective Task Planning with Missing Objects using Learning-Informed Object Search
George Mason University(乔治梅森大学);Brown University(布朗大学)
本文提出基于模型的LIOS动作框架,通过结合确定性规划与基于模型的成本计算,实现高效且完整的学习驱动任务规划,在不确定性环境下优于现有基线方法。
2026-02-13 cs.RO
CaStL: Constraints as Specifications through LLM Translation for Long-Horizon Task and Motion Planning
Rice University(莱斯大学);Purdue University(普渡大学);Ken Kennedy Institute at Rice University(莱斯大学肯·肯尼迪研究所)
针对现实长程任务与运动规划中自然语言问题模糊、约束复杂的痛点,提出CaStL框架,分多阶段从自然语言识别约束并转化为PDDL和Python脚本,经定制求解器求解,显著提升复杂场景下的约束处理能力与规划成功率。
2024-10-29 cs.RO
Policy-Guided Lazy Search with Feedback for Task and Motion Planning
University of Toronto Robotics Institute(多伦多大学机器人研究所);University of BITS Pilani(Birla技术与科学学院皮拉尼大学);University of Toronto(多伦多大学)
针对PDDLStream方法求解任务与运动规划问题耗时久的问题,提出带策略引导与反馈的LAZY求解器,通过集成动作骨架搜索和自适应引导,在7自由度模拟操作任务中显著提升了求解速度。
2023-08-23 cs.AI cs.RO
PIP-LLM: Integrating PDDL-Integer Programming with LLMs for Coordinating Multi-Robot Teams Using Natural Language
Department of Computer Science, University of Southern California(计算机科学系,南加州大学);GRASP Lab, University of Pennsylvania(GRASP实验室,宾夕法尼亚大学)
提出PIP-LLM框架,结合PDDL团队级规划与整数规划机器人级规划,将自然语言指令分解为子任务依赖图,优化旅行成本与负载,提升多机器人协调的成功率和可扩展性。
2025-10-26 cs.AI cs.RO
TwoStep: Multi-agent Task Planning using Classical Planners and Large Language Models
University of Southern California(南加州大学)
本研究提出TwoStep方法,结合经典规划器与LLM,通过LLM进行多智能体目标分解,实现比直接求解多智能体PDDL更快的规划时间,同时减少执行步骤并保证执行成功,效果接近人类专家分解。
2025-03-25 cs.AI cs.CL cs.MA
Real-World Cooking Robot System from Recipes Based on Food State Recognition Using Foundation Models and PDDL
The University of Tokyo(东京大学)
针对机器人无法基于新食谱在真实世界完成烹饪的问题,提出融合LLM与PDDL规划、VLM少样本食材状态识别的烹饪机器人系统,经PR2机器人真实环境实验验证有效。
2024-10-07 cs.AI cs.RO
Planning with Vision-Language Models and a Use Case in Robot-Assisted Teaching
Czech Technical University(捷克技术大学);Charles University(查理大学)
本文提出Image2PDDL框架,利用视觉语言模型将初始状态图像和目标描述自动转换为PDDL问题,解决感知与符号规划结合的挑战,并在多难度标准规划领域验证了其语法和内容正确性,展示了在AI规划及机器人辅助自闭症教学中的应用潜力。
2025-01-29 cs.AI cs.RO
Simulation to Rules: A Dual-VLM Framework for Formal Visual Planning
MIT(麻省理工学院);Harvard University(哈佛大学);MIT-IBM Watson AI Lab(麻省理工-IBM沃森人工智能实验室)
本文提出VLMFP框架,结合SimVLM和GenVLM实现自动生成PDDL问题和领域文件,提升视觉规划的精确性和泛化能力。
2026-03-18 cs.AI cs.CL cs.RO
Bootstrapping Object-level Planning with Large Language Models
Brown University(布朗大学);University of Innsbruck(因斯布鲁克大学)
本研究提出一种从大语言模型中提取知识生成功能对象导向网络形式的对象级规划、再自动生成PDDL子目标以自举任务与运动规划的方法,在仿真抓取任务中性能优于现有策略。
2025-03-21 cs.RO
EmboTeam: Asymmetric State Grounding for Heterogeneous Multi-Robot Collaboration
University of Chinese Academy of Sciences(中国科学院大学);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所)
EmboTeam通过PDDL将LLM推理转化为反应式行为树,提升多机器人协作任务的成功率和目标回忆率
2026-11-06 cs.AI cs.CV cs.LG
LaMMA-P: Generalizable Multi-Agent Long-Horizon Task Allocation and Planning with LM-Driven PDDL Planner
University of California, Riverside(加州大学河滨分校);Penn State University(宾夕法尼亚州立大学)
本文提出 LaMMA-P 框架,结合 LM 推理与 PDDL 启发式搜索,解决异构机器人团队的长程任务分配与规划问题,并通过 MAT-THOR 基准验证其显著性能提升。
2025-03-13 cs.AI cs.CV cs.LG
InterPreT: Interactive Predicate Learning from Language Feedback for Generalizable Task Planning
University of California, Los Angeles(加州大学洛杉矶分校);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
提出 InterPreT 框架,通过 LLM 在具身交互中从人类语言反馈学习符号谓词与算子并编译为 PDDL 领域,实现长时程机器人规划,在复杂新任务上泛化性强,成功率显著优于基线。
2024-05-30 cs.RO
KGLAMP: Knowledge Graph-guided Language model for Adaptive Multi-robot Planning and Replanning
Honda Research Institute, USA(本田研究院);University of Maryland, College Park(马里兰大学)
KGLAMP通过知识图谱引导LLM实现异构多机器人系统的自适应规划与再规划,提升动态环境下的规划效率和准确性。
2026-02-04 cs.AI cs.ET cs.MA
DKPROMPT: Domain Knowledge Prompting Vision-Language Models for Open-World Planning
State Univeristy of New York at Binghamton(纽约州立大学宾汉姆顿分校);Ford Research(福特研究院)
本文提出DKPROMPT框架,利用PDDL领域知识自动化提示VLM,解决开放世界中机器人任务规划问题,在任务完成率上优于经典规划、纯VLM及竞争基线。
2024-06-25 cs.AI cs.RO
Probabilistic Plan Legibility with Off-the-shelf Planners
Umeå University(于默奥大学)
本文提出一种利用现成规划器在任意PDDL领域实现概率性计划可读性的方法,通过二阶心智理论估计观察者视角,并证明可读性与效率需权衡,需正则化因子平衡。
2026-10-02 cs.AI cs.RO
PSALM-V: Automating Symbolic Planning in Interactive Visual Environments with Large Language Models
Department of Computer Science University of Southern California(计算机科学系 美国南加州大学)
提出PSALM-V系统,通过LLM动态推断PDDL语义并维护树结构信念,在无专家定义的视觉环境中实现可靠的自动化符号规划,显著提升了任务成功率与步数效率。
2025-06-25 cs.CL cs.RO
EvoPlan: Evolutionary Neuro-Symbolic Robot Planning with Spatio-Temporal Guarantees
Texas A&M University(德克萨斯农工大学)
研究针对基于LLM的机器人规划器不足及经典PDDL规划器问题,提出含离线STL约束挖掘、进化PDDL规划器和受约束执行循环的神经符号框架,能保证计划属性,在基准测试中表现良好且可在无云环境下部署。
2026-11-09 cs.RO
Long-Horizon Planning and Execution with Functional Object-Oriented Networks
Brown University(布朗大学);University of Innsbruck(因斯布鲁克大学);TU Wien(维也纳工业大学);German Aerospace Center (DLR)(德国航空航天中心(DLR))
针对 FOON 概念过于抽象、难以直接执行的问题,本文提出将 FOON 自动转换为 PDDL,并结合现成规划器、动作上下文和机器人技能的分层规划框架,在 CoppeliaSim 长程任务中实现可执行规划与场景泛化。
2023-06-02 cs.AI cs.RO
Runtime Architecture and Task Plan Co-Adaptation for Autonomous Robots with Metaplan
Delft University of Technology(代尔夫特理工大学)
针对真实世界中自主机器人的不确定性应对需求,提出可跨域复用的Metaplan框架,结合机器人与环境模型及PDDL规划器实现架构与任务计划的运行时协同自适应,并通过两类无人载具验证其有效性与可复用性。
2023-12-16 cs.RO
Plans Are Not Executions: Adapting Frozen World-Model Planners to Controller-Induced Execution Shift
School of Vehicle and Mobility, Tsinghua University(清华大学车辆与出行学院);Shanghai Technical Center, DENSO (China) Investment Co., Ltd.(电装(中国)投资有限公司上海技术中心);DENSO (China) Investment Co., Ltd.(电装(中国)投资有限公司)
针对冻结世界模型规划器与下游控制器间的规划-执行差距,提出ExecutionBridge适配方法,在NAVSIM数据集上显著提升了规划性能。
2026-10-16 cs.RO
Chemistry Lab Automation via Constrained Task and Motion Planning
University of Toronto(多伦多大学);Vector Institute(矢量研究所);University of Waterloo(滑铁卢大学);Nvidia(英伟达)
化学家需要在实验室中进行许多费力和耗时的实验,以发现和了解新材料的特性。为了支持和加速这一过程,我们提出了一个机器人框架的操作,自主进行化学实验。我们的框架接收化学实验的高级抽象描述,感知实验室工作空间,并自主计划多步动作和运动。机器人与各种实验室设备进行交互,并执行生成的计划。我们的方法的一个关键组成部分是约束任务和运动规划使用PDDLStream求解器。通过引入受约束的运动规划器来防止碰撞和溢出。我们的规划框架可以使用已实施的行动和实验室工具进行不同的实验。我们展示了我们的框架对各种材料的浇注技巧和材料合成的两个基本化学实验:溶解度和重结晶的实用性。
2023-03-27 cs.RO
Task-assisted Motion Planning in Partially Observable Domains
University of Genoa(热那亚大学);Arizona State University(亚利桑那州立大学)
本文提出了一种基于信念空间的机器人导航任务-运动规划集成框架。自主机器人在现实世界的复杂场景中运行,需要在离散(任务)空间和连续(运动)空间中进行规划。为此,我们提出了一个框架内的混合任务规划整合信念空间推理。PDDL+的表达能力与语义驱动的语义附件相结合,在规划时执行传播和后验信念估计。讨论了开发组合混合规划器的基本方法,为改进和未来的工作提供了建议。此外,我们验证了我们的方法的关键方面,在模拟中使用一个现实的情况。
2019-08-27 cs.AI cs.RO
Hierarchical LLM-Based Multi-Agent Framework with Prompt Optimization for Multi-Robot Task Planning
Data Science Laboratories, NEC Corporation(日本电气株式会社数据科学实验室)
本文提出一种分层多智能体框架,结合提示优化提升多机器人任务规划的准确性和效率。
2026-02-26 cs.AI cs.MA cs.RO
Context Matters! Relaxing Goals with LLMs for Feasible 3D Scene Planning
Department of Computer, Automation and Management Engineering, Sapienza University of Rome(Sapienza大学计算机、自动化与管理工程系);Department of Electronics and Automation, Mohamed Khider University of Biskra(Mohamed Khider大学电子与自动化系);International University of Rome UNINT, Rome(罗马国际大学UNINT)
ContextMatters结合LLMs与经典规划,通过分层目标放松提升3D场景规划的成功率
2026-03-09 cs.AI cs.RO
Language-Grounded Hierarchical Planning and Execution with Multi-Robot 3D Scene Graphs
Massachusetts Institute of Technology(麻省理工学院);U.S. Army Combat Capabilities Development Command, Army Research Laboratory(美国陆军战斗能力发展指挥部,陆军研究实验室)
本文提出一种多机器人系统,通过构建共享3D场景图实现建图、定位与任务运动规划,并利用LLM将自然语言指令转化为PDDL目标,完成复杂任务。
2025-07-10 cs.AI cs.RO
Scale-Plan: Scalable Language-Enabled Task Planning for Heterogeneous Multi-Robot Teams
Honda Research Institute(本田研究院);University of California(加州大学)
Scale-Plan通过生成紧凑的任务相关问题表示,提升异构多机器人团队的可扩展性和可靠性。
2026-09-01 cs.AI cs.ET cs.MA
Leveraging Pre-trained Large Language Models with Refined Prompting for Online Task and Motion Planning
Hunan University(湖南大学)
提出预训练LLM辅助的闭环任务规划与执行系统LLM-PAS,通过将约束检查转移至执行阶段并引入FLP方法生成PDDL目标,提升了机器人在任务执行中处理异常的准确性与稳健性。
2025-04-30 cs.AI cs.RO
Planning and Resilient Execution of Policies For Manipulation in Contact with Actuation Uncertainty
Worcester Polytechnic Institute(伍斯特理工学院);University of Michigan(密歇根大学)
我们提出了一种方法,用于规划运动的机器人与致动的不确定性,结合与环境的接触和机器人可靠地执行操作任务的遵守。我们的方法由两个阶段组成:(1)使用基于采样的运动规划器生成部分策略,该运动规划器使用基于粒子的不确定性模型以及接触和顺应性的模拟;以及(2)弹性执行,该弹性执行更新计划的策略以考虑执行中可能由模型或环境不准确引起的意外行为。我们已经在模拟的SE(2)和SE(3)环境和Baxter机器人中测试了我们的计划器和策略执行。我们表明,我们的方法有效地生成的政策,以执行操作任务,涉及重大的接触和比较几个简单的方法。此外,我们表明,我们的政策适应是有弹性的重大变化,在执行过程中,例如,增加了一个新的障碍的环境。
2017-04-03 cs.RO
Handling abort commands for household kitchen robots
Technical University of Cluj-Napoca(克卢日-纳波卡技术大学);University of Bremen(不来梅大学)
本文提出一种处理机器人中止命令的解决方案,以家用厨房机器人为例,利用PDDL结合在线知识图谱建模厨房活动,通过规划生成动作序列以优雅取消先前命令,并验证了多场景下的结果。
2024-08-16 cs.AI cs.RO
Sequential Manipulation Planning on Scene Graph
Beijing Institute for General Artificial Intelligence(北京通用人工智能研究院);Peking University(北京大学);Tsinghua University(清华大学)
我们设计了一个三维场景图表示,接触图+(CG+),高效的顺序任务规划。这种基于接触图的表示方法通过类似谓词的属性进行增强,从而利用简洁的几何信息和有效的机器人场景交互来抽象场景布局。目标配置,自然指定的接触图,可以产生的遗传算法与随机优化方法。然后通过计算初始接触图和目标配置之间的图形编辑距离(GED)来初始化任务计划,其生成对应于可能的机器人动作的图形编辑操作。我们通过施加约束来规范图形编辑操作的时间可行性,从而确保有效的任务和运动对应关系,从而最终确定任务计划。在一系列的仿真和实验中,机器人成功地完成了传统规划语言如规划域定义语言(PDDL)难以描述的复杂顺序对象重排任务,证明了基于接触图的机器人顺序任务规划的可行性和潜力。
2022-07-17 cs.AI cs.RO
Combined Task and Motion Planning as Classical AI Planning
ICREA(加泰罗尼亚高级研究学院);Universitat Pompeu Fabra(庞培法布拉大学)
机器人规划通常分为任务规划和运动规划。高级的符号任务规划器决定需要做什么,而运动规划器检查可行性并填充几何细节。然而,已知的是,这样的分解通常不是有效的,因为符号和几何分量不是独立的。在这项工作中,我们表明,有可能将任务和运动规划问题编译成经典的AI规划问题;即,规划问题的有限和离散状态空间与已知的初始状态,确定性的行动,和目标状态达到。编译是合理的,这意味着经典计划是有效的机器人计划,并且概率上是完整的,这意味着当采样足够数量的配置时,有效的机器人计划是经典计划。在这种方法中,运动规划器和碰撞检查器用于编译,但不是在规划时。使该方法有效的关键要素是:1)表达经典的AI规划语言,用于以紧凑的形式表示编译的问题,与PDDL不同,它使用函数和状态约束,以及2)通用的基于宽度的搜索算法,能够仅使用弱算法在巨大的组合空间中找到计划。经验结果PR 2机器人操纵数十个对象,需要长期计划。
2017-06-21 cs.AI cs.RO
Long-Horizon Manipulation of Unknown Objects via Task and Motion Planning with Estimated Affordances
CSAIL, MIT(麻省理工学院计算机科学与人工智能实验室)
我们提出了一种策略,用于设计和构建非常一般的机器人操作系统,涉及集成的通用任务和运动规划与工程和学习的感知模块,估计未知对象的属性和启示。这样的系统是从RGB图像、深度图像和机器人关节编码器测量映射到机器人关节位置命令的闭环策略。我们表明,按照这种策略的任务和运动规划器可以用来规划智能行为,即使在没有先验知识的情况下,关于一组可操纵的对象,它们的几何形状,和它们的启示。我们探讨了几种不同的方式来实现这样的感知模块分割,属性检测,形状估计,把握生成。我们展示了这些模块是如何集成在PDDLStream任务和运动规划框架。最后,我们证明了这种策略可以使一个单一的系统执行各种各样的现实世界的多步操作任务,概括了广泛的一类对象,对象的安排,和目标,没有任何先验知识的环境,没有重新训练。
2021-08-10 cs.AI cs.RO
From Discrete Plans to Real-World Execution: A World-Model-Driven Framework for Execution-Aware Multi-Agent Path Finding
IEEE Publication Technology Group(IEEE出版技术组)
提出ExecTimeNet世界模型预测离散MAPF方案在物理机器人上的执行状态,并基于此构建REMAP框架和ESADG优化方法,在仿真和实物实验中分别减少高达21%和15.3%的执行延迟。
2026-06-23 cs.AI cs.RO
Towards Robust One-shot Task Execution using Knowledge Graph Embeddings
Georgia Institute of Technology(佐治亚理工学院)
要求对任务计划进行多次演示给机器人的最终用户带来了负担。然而,从单个最终用户演示中稳健地执行任务计划是机器人技术中的一个持续挑战。我们解决的问题,一次性任务执行,其中机器人必须概括一个单一的示范或原型的例子,一个新的执行环境的任务计划。我们的方法将任务计划与领域知识相结合,以推断新的执行环境的任务计划组成部分。我们的实验评估表明,我们的知识表示,使更相关的概括,导致显着更高的成功率超过测试基线。我们在一个物理平台上验证了该方法,这导致初始任务计划成功推广到50个执行环境中的38个,其中包括自主机器人操作造成的错误。
2021-05-10 cs.AI cs.RO
Intelligent Execution through Plan Analysis
Universidad Carlos III de Madrid(马德里卡洛斯三世大学);J.P.Morgan AI Research(摩根大通人工智能研究院);Carnegie Mellon University(卡内基梅隆大学)
本文提出一种通过计划分析识别并存储执行机会的方法,在执行中利用这些机会聚焦感知并修复计划,实验证明其优于标准重新规划策略。
2024-03-18 cs.AI cs.RO
A Holistic Architecture for Monitoring and Optimization of Robust Multi-Agent Path Finding Plan Execution
Faculty of Electrical Engineering, Czech Technical University in Prague, Prague, Czech Republic(布拉格捷克技术大学电气工程学院);Czech Institute of Informatics, Robotics and Cybernetics, Czech Technical University in Prague, Prague, Czech Republic(捷克信息学、机器人学与自动化研究所);Faculty of Mathematics and Physics, Charles University, Prague, Czech Republic(布拉格查理大学数学与物理学院)
本文提出一种用于鲁棒执行MAPF计划并兼顾监控与优化的整体架构,利用Action Dependency Graph估计执行时长以预测何时应搜索替代计划,从而减少延迟影响并缩短总执行时间。
2025-09-12 cs.MA cs.RO
Consolidating Trees of Robotic Plans Generated Using Large Language Models to Improve Reliability
University of South Florida(南佛罗里达大学)
本文提出利用大语言模型生成多个机器人任务计划树并合并为图,通过移除可疑路径并借助知识网络和GPT-4生成PDDL计划,从而提升任务规划的准确性与执行效率。
2024-01-15 cs.AI cs.CL cs.RO