NOD-TAMP: Generalizable Long-Horizon Planning with Neural Object Descriptors
Georgia Institute of Technology(佐治亚理工学院);NVIDIA Corporation(英伟达公司)
针对长时序操作任务泛化难问题,提出结合神经对象描述符(NOD)与任务运动规划(TAMP)的NOD-TAMP框架,从少量演示提取轨迹并适配组合,在基准和真实任务中表现更优。
2024-10-05 cs.AI cs.RO
COAST: Constraints and Streams for Task and Motion Planning
Stanford University(斯坦福大学);Toyota Research Institute(丰田研究所)
针对现有TAMP算法扩展性差、求解耗时久的问题,提出概率完备的采样式算法COAST,结合基于流的运动规划与高效约束任务规划策略,在三个测试域中累计任务规划时间较基线快一个数量级。
2024-05-14 cs.RO
Task and Skill Planning: Hierarchical Robot Planning with Black-Box Skills
本文提出了一种基于通用技能的分层机器人规划框架,通过可组合交互原语整合运动规划与闭合回路控制器,实现在复杂长期任务中的高效执行。
2026-07-30 cs.AI cs.RO
Search, Ground, Plan: Functional Sufficiency for Task and Motion Planning under Incomplete Scene Knowledge
Robotics Research Center, IIIT Hyderabad(海得拉巴国际信息技术学院机器人研究中心);Center for Security, Theory and Algorithmic Research, IIIT Hyderabad(海得拉巴国际信息技术学院安全、理论与算法研究中心)
针对不完整场景知识下的任务与运动规划问题,提出GRAB-TAMP框架,通过搜索、功能角色落地和联合分配建立功能充分性后再规划,在200次试验中实现54.0%端到端成功率,比平均基线提升25.7个百分点。
2026-09-22 cs.RO
Leveraging Inter-object Affordances for Efficient Planning in Contact-rich Tasks
University of Innsbruck(因斯布鲁克大学)
该研究针对传统TAMP方法在接触密集型任务中规划时间长、成功率低的问题,提出结合VLM与U-TAMP的方法,在模拟厨房场景中实现了更高的规划成功率与更快的规划速度。
2026-08-27 cs.AI cs.RO
Object-Centric Task and Motion Planning in Dynamic Environments
Stanford University(斯坦福大学)
我们解决的问题,应用任务和运动规划(TAMP)在现实世界的环境。TAMP结合了符号和几何推理,以产生顺序的操作计划,通常指定为关节空间轨迹,这是有效的,只要环境是静态的,感知和控制是高度准确的。如果环境发生任何变化,则需要缓慢重新规划。我们提出了一个TAMP算法,优化相对于目标对象定义的笛卡尔框架。即使物体在移动,最终的计划仍然有效,并且可以由实时的适应这些变化的反应控制器执行。我们将我们的TAMP框架应用于一个取放设置中的扭矩控制机器人,并在模拟和现实世界中展示其适应不断变化的环境,不准确的感知和不精确的控制的能力。
2020-05-05 cs.AI cs.RO
Learning Symbolic Operators for Task and Motion Planning
MIT(麻省理工学院)
混合状态和动作空间中的机器人规划问题可以通过集成任务和运动规划器(TAMP)来解决,该规划器处理运动级决策和任务级计划可行性之间的复杂交互。TAMP方法依赖于特定于域的符号运算符来指导任务级搜索,从而使规划高效。在这项工作中,我们形式化和研究的TAMP算子学习的问题。这项研究的核心是认为运营商定义了一个域的过渡模型的有损抽象。然后,我们提出了一个自下而上的关系学习方法的运营商学习,并显示如何学习运营商可以用于规划在TAMP系统。在实验中,我们提供了三个领域的结果,包括长期的机器人规划任务。我们发现我们的方法大大优于几个基线,包括最近文献中的三个基于图神经网络的无模型方法。视频:https://youtu.be/iVfpX9BpBRo代码:https://git.io/JCT0g
2021-07-15 cs.AI cs.LG cs.RO
Reactive Task and Motion Planning under Temporal Logic Specifications
Korea Advanced Institute of Science and Technology(韩国科学技术院)
我们提出了一个任务和运动规划(TAMP)算法对人类操作员的合作或对抗性干预鲁棒。干预措施通常会使当前的计划无效,并需要在飞行中重新计划。重新规划可能在计算上是昂贵的,并且经常中断无缝的任务执行。我们介绍了一种动态可重构的规划方法与基于行为树的控制策略对反应TAMP,它利用了以前的计划和增量图搜索在基于时序逻辑的反应合成。我们的算法还显示了高效的恢复功能,可以最大限度地减少重新规划步骤的数量。最后,我们的算法产生一个强大的,高效的,完整的TAMP解决方案。我们的实验结果表明,该算法在模拟和现实世界的任务中具有优异的操作性能。
2021-03-26 cs.RO
Visually Grounded Task and Motion Planning for Mobile Manipulation
The State University of New York at Binghamton(纽约州立大学宾汉姆顿分校);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Sony AI(索尼人工智能研究院)
任务和运动规划(TAMP)算法旨在帮助机器人实现任务级目标,同时保持运动级的可行性。本文重点关注涉及机器人行为的TAMP领域,这些行为需要很长一段时间(例如,远程导航)。在本文中,我们开发了一个视觉接地的方法来帮助机器人概率评估行动的可行性,并介绍了一个TAMP算法,称为GROP,优化可行性和效率。我们收集了一个数据集,其中包括96,000个机器人进行移动操作任务的模拟试验,然后使用该数据集来学习地面符号空间关系,以进行动作可行性评估。与竞争对手的TAMP基线相比,GROP表现出更高的任务完成率,同时保持较低或相当的行动成本。除了这些广泛的模拟实验,GROP是完全实现和测试一个真正的机器人系统。
2022-02-24 cs.RO
Learning Geometric Constraints in Task and Motion Planning
Technische Universität Darmstadt(达姆施塔特工业大学);Huawei R&D London(华为伦敦研发中心)
任务与运动规划中几何参数的约束搜索是一个高维决策空间的有限时域随机规划问题。机器人操作器只能在其整个范围的子空间中移动,该子空间受到许多几何约束。TAMP求解器通常在为每个任务找到可行的绑定集之前进行多次探索。这是有利的,学习这些约束一次,然后将它们转移到同一工作空间内的不同任务。我们解决这个问题,表示约束知识与可转让的原语和贝叶斯优化(BO)的基础上,这些原语指导绑定搜索在进一步的任务。通过TAMP中的语义和几何回溯,我们构造了约束原语,分别以可重用的形式对几何约束进行编码。然后,我们设计了一个BO的方法,有效地利用累积的约束,指导基于MCTS的绑定规划器的节点扩展。我们进一步组成一个转移机制,使TAMP任务之间的自由知识流动。结果表明,我们的方法减少了昂贵的探索调用绑定搜索由43.6071.69相比,基线无指导规划。
2022-01-24 cs.RO
Integrated Task and Motion Planning
CSAIL, MIT(麻省理工学院计算机科学与人工智能实验室)
在包含大量对象的环境中操作的机器人的规划问题,采取行动以使其自身在世界中移动以及改变对象的状态,被称为任务和运动规划(TAMP)。TAMP问题包含离散任务规划、离散-连续数学规划和连续运动规划的元素,因此不能由这些领域中的任何一个直接有效地解决。在本文中,我们定义了一类的TAMP问题和调查算法来解决它们,其特点的解决方案的方法在其解决连续空间子问题的策略和他们的技术集成的离散和连续组件的搜索。
2020-10-02 cs.AI cs.RO
Factored Task and Motion Planning with Combined Optimization, Sampling and Learning
School of Something University of Somewhere(某个大学的某个学院);TU Berlin(柏林工业大学);University of Tübingen(蒂宾根大学);MIT(麻省理工学院);Technion(以色列理工学院)
本文提出因子化TAMP框架,通过基于冲突的任务—运动交互、自适应元求解器及融合深度学习的推理,提升复杂约束下的规划效率与泛化能力。
2024-04-04 cs.RO
DiMSam: Diffusion Models as Samplers for Task and Motion Planning under Partial Observability
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);NVIDIA(英伟达)
提出DiMSam框架,通过TAMP系统组合扩散模型,利用潜在嵌入定义学习采样器和TAMP算子,解决了部分可观测下多步约束推理与自主机器人操作规划问题。
2024-10-11 cs.AI cs.CV cs.LG
Prime the search: Using large language models for guiding geometric task and motion planning by warm-starting tree search
Korea Advanced Institute of Science and Technology(韩国科学技术院)
针对几何任务与运动规划搜索成本高的问题,本文用LLM结合几何谓词生成任务计划,并以其探索节点热启动混合动作空间MCTS,在六个问题上优于现有LLM规划器和纯搜索方法。
2025-06-08 cs.AI cs.RO
A Reachability Tree-Based Algorithm for Robot Task and Motion Planning
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
本文针对机器人任务与运动规划问题,提出一种基于可达树的分层采样算法,先通过蒙特卡洛树搜索生成抽象任务计划,再补充几何可行轨迹,并在基准测试中验证了其有效性。
2023-03-07 cs.RO
An Experience-based TAMP Framework for Foliated Manifolds
Contextual Robotics Institute, UC San Diego(加州大学圣地亚哥分校情境机器人研究所)
针对机器人操作中叶状结构问题对任务与运动规划的挑战,提出基于经验的叶状重复路线图框架,将复杂问题转化为图形式,利用跨流形查询经验动态更新图以优化规划性能,并给出理论依据与实际应用。
2023-10-12 cs.RO
Macro-Operator Generation and Predicate Selection for TAMP Operator Learning
Bogazici University(博加齐奇大学)
本文针对TAMP算子学习的效率问题,提出自动生成宏算子并剪枝未被引用谓词的系统,在四个TAMP领域实现最高4.6倍规划加速,还解决了基线无法处理的长序列任务。
2026-11-03 cs.AI cs.RO
Grounded Vision-Language Interpreter for Long-Horizon Bimanual Task and Motion Planning
OMRON SINIC X Corporation(OMRON SINIC X公司);The University of Tokyo(东京大学);University of Hamburg(汉堡大学)
针对现有视觉语言机器人规划框架的黑箱缺陷与双臂任务探索不足问题,提出混合规划框架 ViLaIn-TAMP,经烹饪领域任务及实际双臂机器人系统验证,其性能优于基准方法。
2026-08-04 cs.AI cs.RO
Accelerating Integrated Task and Motion Planning with Neural Feasibility Checking
Technische Universität Darmstadt(达姆施塔特工业大学)
随着机器人在工业中发挥越来越重要的作用,人们对它们在日常生活任务中的应用的期望也越来越高。机器人需要执行由几个需要完成的子任务组成的长期任务。任务和运动规划(TAMP)提供了一个分层的框架来处理操作任务的顺序性质,通过交错符号任务规划器来生成可能的动作序列,运动规划器检查几何世界中的运动学可行性,如果满足几个约束,则生成机器人轨迹,例如,从一个状态到另一个状态的无碰撞轨迹。因此,关于任务计划的几何基础的推理由运动计划器接管。然而,运动规划是计算密集的,并且是可用的,因为可行性检查器将TAMP方法铸造成不适用于现实世界场景。在本文中,我们介绍了神经可行性分类器(NFC),一个简单而有效的视觉启发式分类的可行性建议的行动在TAMP。即,NFC将识别任务规划器的不可行动作而不需要昂贵的运动规划,因此减少了多步操纵任务中的规划时间。NFC通过卷积神经网络(CNN)将机器人工作空间的图像编码为特征图。我们使用TAMP问题的模拟数据训练NFC,并基于IK可行性检查对实例进行标记。我们在不同的模拟操作任务的实证结果表明,我们的NFC推广到整个机器人的工作空间,即使在多个障碍物的场景具有很高的预测精度。当与最先进的集成TAMP相结合时,我们的NFC增强了其性能,同时减少了规划时间。
2022-03-20 cs.AI cs.CV cs.RO
A Systematic Study of Large Language Models for Task and Motion Planning With PDDLStream
Stony Brook University(石溪大学)
研究大语言模型在机器人任务与运动规划中的应用,开发16种用LLMs替代关键TAMP组件的算法,通过实验发现基于LLM的规划器成功率低、规划时间长,提供几何细节会增加任务规划错误,多数情况下直接LLM变体表现更好。
2026-07-20 cs.AI cs.RO
Discovering State and Action Abstractions for Generalized Task and Motion Planning
MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室)
广义规划通过找到一个类似算法的策略来解决任务的多个实例,从而加速了经典规划。一个通用的计划可以从几个训练样本中学习,并应用于整个问题领域。广义规划方法在涉及大量对象和扩展动作序列以实现目标的离散AI规划问题中表现良好。在本文中,我们提出了一种算法,学习功能,抽象,和广义计划连续机器人任务和运动规划(TAMP)和检查时出现的独特困难,被迫考虑几何和物理约束的一部分,广义计划。此外,我们表明,这些简单的广义计划,只有少数几个例子可以用来提高搜索效率的TAMP求解器。
2021-09-23 cs.RO
Robust Task and Motion Planning for Long-Horizon Architectural Construction Planning
University of Stuttgart(斯图加特大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
在建筑和施工过程中集成机器人系统是提高建筑行业效率的核心兴趣。此类系统的自动规划使设计分析工具成为可能,并为设计师和工程师提供更快的设计迭代周期。然而,通用的任务和运动规划(TAMP)的长期建设过程是超出了目前的方法的能力。在本文中,我们开发了一个多智能体TAMP框架的长期问题,如建设一个全面的建设。为此,我们通过基于采样的运动规划,有限的地平线的方法,和特定于任务的结构稳定性优化,允许有效的任务分解的逻辑几何规划框架。我们表明,我们的框架是能够构建一个大型展馆从几百个几何独特的建筑元素从开始到结束自主。
2020-03-17 cs.RO
Anticipatory Task and Motion Planning
George Mason University(乔治梅森大学);MIT Computer Science Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室)
提出预期性任务与运动规划,利用学习模型估计未来成本,指导基于模型的规划器选择计划,避免副作用并最小化总成本,在模拟和真实机器人上显著提升多任务性能。
2024-07-18 cs.RO
Receding Horizon Task and Motion Planning in Changing Environments
University of Padua(帕多瓦大学);IT+Robotics Srl(IT+Robotics 有限公司)
复杂的操作任务需要仔细集成的符号推理和运动规划。这个问题通常被称为任务和运动规划(TAMP),如果工作空间是非静态的,例如由于人类干预和用噪声非理想传感器感知,则该问题甚至更具挑战性。这项工作提出了一种在线近似TAMP方法,结合了几何推理模块和运动规划器与标准的任务规划器在一个滚动的地平线时尚。我们的方法迭代地解决了一个减少规划问题,在有限数量的未来行动的实施过程中的后退窗口。因此,在每次迭代中实际上只调度水平线的第一个动作,然后窗口向前移动,问题再次得到解决。此过程允许自然地考虑场景中的潜在变化,同时确保良好的运行时性能。我们在模拟环境中进行了大量的实验,验证了我们的方法。我们表明,我们的方法是能够处理意外的变化,在环境中,同时确保可比的性能与其他最近的TAMP方法在解决传统的静态基准。我们发布本文的开源实现我们的方法。
2021-08-29 cs.RO
A Meta-Engine Framework for Interleaved Task and Motion Planning using Topological Refinements
Fondazione Bruno Kessler(布鲁诺·凯塞勒基金会)
本研究提出通用开源TAMP建模仿真框架与创新元技术,通过几何分析剪枝任务规划探索以提升效率,适配增量SMT规划器,在可移动障碍物导航基准问题中验证有效性并对比前沿算法性能。
2024-08-11 cs.AI cs.RO
Partially Observable Task and Motion Planning with Uncertainty and Risk Awareness
MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室)
针对传统TAMP完全可观测、动作确定的假设局限,提出具备不确定性与风险感知的TAMPURA策略,在任务和控制器层进行不确定性推理,实验表明其性能优于确定性规划等方法,并在真实机器人问题中得到验证。
2024-10-06 cs.AI cs.RO
Meta-Optimization and Program Search using Language Models for Task and Motion Planning
TU Berlin(柏林技术大学)
本文提出一种基于语言模型的元优化与程序搜索方法,通过将轨迹优化问题的程序搜索作为接口并利用零阶方法优化数值参数,解决任务与运动规划中高层规划与低层运动生成的接口问题,在物体操作和绘图任务上优于现有方法。
2025-09-17 cs.RO
Asymptotically Optimal Multi-Robot Task and Motion Planning
Nanyang Technological University(南洋理工大学);The Australian National University(澳大利亚国立大学)
该研究针对多机器人任务与运动规划,提出一种结合单机器人路标图与隐式张量积搜索的渐近最优算法,通过条件采样和惰性碰撞检测实现全局最优性保证。
2026-09-17 cs.RO
Learning Neuro-Symbolic Skills for Bilevel Planning
MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室)
在机器人环境中,决策具有连续的以对象为中心的状态,连续的动作,长视野和稀疏反馈。分层方法,如任务和运动规划(TAMP),通过将决策分解为两个或更多个抽象级别来解决这些挑战。在给出演示和符号谓词的环境中,之前的工作已经展示了如何使用手动设计的参数化策略学习TAMP的符号运算符和神经采样器。我们的主要贡献是学习参数化的政策,结合运营商和采样器的方法。这些组件被打包成模块化的神经符号技能,并与搜索然后采样的TAMP一起排序,以解决新的任务。在四个机器人领域的实验中,我们证明了我们的方法-神经符号技能的双层规划-可以解决各种不同初始状态,目标和对象的任务,优于六个基线和消融。视频:https://youtu.be/PbFZP8rPuGg代码:https://tinyurl.com/skill-learning
2022-10-12 cs.AI cs.LG cs.RO
Combined Task and Motion Planning Via Sketch Decompositions (Extended Version with Supplementary Material)
Universitat Pompeu Fabra(庞培法布拉大学);RWTH Aachen University(亚琛工业大学)
本文提出了一种基于sketches的交替式组合任务与运动规划(TAMP)方法,通过将问题分解为宽度为1的子问题,使几何约束在搜索中发挥主动作用,并在子问题级别局部采样对象配置,有效提升了规划效率。
2024-03-24 cs.RO
Embodied Lifelong Learning for Task and Motion Planning
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
该研究针对家庭服务机器人的终身学习问题,提出面向任务与运动规划的具身终身学习新范式,通过混合生成模型与基于辅助任务的在线模型选择机制,在2D及BEHAVIOR领域实现规划成功率的显著提升。
2023-11-06 cs.AI cs.LG cs.RO
Guided Imitation of Task and Motion Planning
University of California, Berkeley(加州大学伯克利分校);Massachusetts Institute of Technology(麻省理工学院)
虽然现代策略优化方法可以从传感数据进行复杂的操作,但它们在处理具有扩展时间范围和多个子目标的问题时会遇到困难。另一方面,任务和运动规划(TAMP)方法可扩展到长时间范围,但它们在计算上是昂贵的,并且需要精确地跟踪世界状态。我们提出了一种方法,利用这两种方法的力量:我们训练的政策,模仿TAMP求解器的输出。这产生了一个前馈策略,可以从传感数据完成多步任务。首先,我们建立了一个异步分布式TAMP求解器,可以产生足够快的监督数据模仿学习。然后,我们提出了一个分层的政策架构,让我们使用部分训练的控制策略,以加快TAMP求解器。在具有7-DoF关节控制的机器人操作任务中,部分训练的策略将规划所需的时间减少了2.6倍。在这些任务中,我们可以学习一个策略,该策略在88%的时间内通过对象姿势观察解决RoboSuite 4-对象拾取-放置任务,并且在79%的时间内通过RGB图像解决RoboDesk 9-目标基准测试(在9个不同任务中取平均值)。
2021-12-06 cs.AI cs.LG cs.RO
A Conflict-driven Interface between Symbolic Planning and Nonlinear Constraint Solving
TU Berlin(柏林工业大学);Technion(以色列理工学院);IBM Research(IBM研究院)
现实世界场景中的机器人规划通常需要逻辑和连续变量的联合优化。一个核心的挑战,结合逻辑规划师和连续求解器的优势是设计一个有效的接口,通知连续的不可行性的逻辑搜索。在本文中,我们提出了一种新的迭代算法,连接逻辑规划与非线性优化,通过一个双向接口,实现检测的最小子集的非线性约束是不可行的。该算法不断建立一个数据库的图形表示(中)可行的子集的连续变量和约束,并编码在逻辑描述的知识。作为该算法的基础,我们引入规划与非线性过渡约束(PNTC),一种新的规划公式,阐明了我们的算法需要的确切假设,并可以应用到模型任务和运动规划(TAMP)有效。我们的实验结果表明,我们的框架显着优于其他基于优化的方法TAMP。
2022-11-28 cs.RO
Extended Tree Search for Robot Task and Motion Planning
Technische Universität Darmstadt(达姆施塔特工业大学)
综合任务和运动规划(TAMP)是广义自主机器人的理想选择,同时也是一个挑战。TAMP要求规划者不仅要在大的符号任务空间和高维运动空间中进行搜索,而且要处理由于其内在的分层过程而不可行的任务动作。我们提出了一个新的决策框架TAMP通过构建一个扩展的决策树的符号任务规划和高维运动变量绑定。我们集成的top-k规划生成明确的骨架空间,各种候选人的骨架计划是在处置。此外,我们有效地结合这个骨架空间与所得的运动变量空间到一个单一的扩展决策空间。因此,我们使用蒙特卡罗树搜索(MCTS),以确保在每个决策节点的勘探开发平衡和全局优化,以产生最优的解决方案。所提出的符号top-k规划与流的无缝结合,与MCTS的证明最优性,导致一个强大的规划算法,可以处理组合的复杂性的长期操作任务。我们经验性地评估我们提出的算法在具有挑战性的机器人任务与不同的领域,需要多阶段的决策,并显示我们的方法可以克服大的任务空间和运动空间,通过其有效的树搜索相比,其最有竞争力的基线方法。
2021-10-15 cs.LG cs.RO
Guiding Long-Horizon Task and Motion Planning with Vision Language Models
Massachusetts Institute of Technology(麻省理工学院);NVIDIA Research(英伟达研究院)
本文提出VLM-TAMP分层规划算法,利用视觉语言模型生成语义子目标引导任务与运动规划器,并在长时程厨房任务中显著提升成功率和完成度。
2024-10-03 cs.RO
Task and Motion Planning for Humanoid Loco-manipulation
Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM), Germany(慕尼黑机器人与机器智能研究所(MIRMI)、慕尼黑技术大学(TUM))
本文提出了一种基于优化的任务与运动规划框架,通过共享接触模式实现人形机器人移动与操作的统一规划。
2025-08-16 cs.RO
Imitating Task and Motion Planning with Visuomotor Transformers
Carnegie Mellon University(卡内基梅隆大学);NVIDIA(英伟达)
本文提出OPTIMUS系统,利用TAMP生成的大规模数据训练视觉运动Transformer策略,在70多种物体的操作任务中达到70-80%成功率。
2023-10-17 cs.CV cs.LG cs.RO
Differentiable GPU-Parallelized Task and Motion Planning
MIT CSAIL(MIT计算机科学与人工智能实验室);NVIDIA Research(NVIDIA研究);University of Utah(犹他大学);University of Sydney(悉尼大学)
提出一种利用GPU并行性和可微优化的双层TAMP算法,可同时探索数千个候选解,在几秒内有效解决高度受限的非凸规划问题,显著优于串行方法并在真实机器人上得到验证。
2025-04-29 cs.RO
SLAP: Shortcut Learning for Abstract Planning
SLAP通过快捷学习方法自动发现抽象规划中的新选项,提升任务成功率和规划效率。
2026-02-28 cs.LG cs.RO
LLM3:Large Language Model-based Task and Motion Planning with Motion Failure Reasoning
University of California, Los Angeles(加州大学洛杉矶分校);BIGAI(北京智源人工智能研究院)
提出LLM^3框架,利用大语言模型通过运动失败推理迭代优化任务与运动规划,实现领域无关接口,仿真与物理实验验证其有效性与实用性。
2024-08-21 cs.AI cs.RO
ScheduleStream: Temporal Planning with Samplers for GPU-Accelerated Multi-Arm Task and Motion Planning & Scheduling
NVIDIA Research Seattle Robotics Lab (SRL)(NVIDIA西雅图机器人实验室);University of Sydney(悉尼大学)
提出ScheduleStream,首个通用框架,通过混合持续动作和领域无关算法,结合GPU加速采样器,实现多臂并行任务与运动规划及调度。
2026-05-28 cs.AI cs.MA cs.RO
Coding Agents for Generalized Task and Motion Planning Problems
Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会);Carnegie Mellon University(卡内基梅隆大学);Princeton University(普林斯顿大学);University of Cambridge(剑桥大学)
本文研究编码智能体能否通过合成程序自动化广义任务与运动规划,实验表明其成功率优于手工规划器,且计算量低一个数量级。
2026-09-25 cs.AI cs.RO
Sequence-Based Plan Feasibility Prediction for Efficient Task and Motion Planning
Massachusetts Institute of Technology(麻省理工学院);NVIDIA Research(英伟达研究院)
提出基于 Transformer 的 PIGINet 方法,通过预测任务规划可行性来偏置 TAMP 搜索过程,显著提升规划效率并实现零样本泛化。
2023-05-22 cs.AI cs.LG cs.RO
Deciding If, When, and Where to Replan for Robust Manipulation
Robotics Research Center, IIIT Hyderabad(IIIT海得拉巴机器人研究中心);Center for Security, Theory and Algorithmic Research, IIIT Hyderabad(IIIT海得拉巴安全、理论与算法研究中心)
本文提出ROBUST TAMP框架,针对部分可观测操纵任务,通过事件触发式重规划机制提升TAMP执行的任务成功率,验证了其在6个RLBench/CoppeliaSim场景中的有效性。
2026-10-14 cs.RO
Differentiable Task Assignment and Motion Planning
ETH(苏黎世联邦理工学院);University of Haifa(海法大学)
针对传统 TAMP 依赖显式任务原语导致离散切换的问题,本文提出完全可微方法,将动作隐式编码为非线性优化解,并在多机器人抓取放置仿真中验证其有效性。
2023-09-26 cs.RO
Modular Multi-Level Replanning TAMP Framework for Dynamic Environment
Research Center of the Satellite Technology, Harbin Institute of Technology(哈尔滨工业大学卫星技术研究中心);Institute of Space Science and Applied Technology, Harbin Institute of Technology Shenzhen(哈尔滨工业大学深圳校区空间科学与应用技术研究院)
针对传统任务与运动规划(TAMP)易受干扰、鲁棒性不足的问题,提出融合采样式TAMP概率完备性与反应式重规划鲁棒性的模块化多级别重规划框架MMRF,经真实场景实验验证其可在不同干扰下快速完成任务。
2024-03-10 cs.RO
Deep Visual Reasoning: Learning to Predict Action Sequences for Task and Motion Planning from an Initial Scene Image
University of Stuttgart(斯图加特大学);Max-Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);TU Berlin(柏林工业大学)
在本文中,我们提出了一种深度卷积递归神经网络,它可以从初始场景图像中预测任务和运动规划(TAMP)的动作序列。典型的TAMP问题通过将符号、离散级(例如一阶逻辑)上的推理与连续运动规划(例如非线性轨迹优化)相结合来形式化。由于可能的离散动作序列的巨大组合复杂性,必须解决大量的优化/运动规划问题以找到解决方案,这限制了这些方法的可扩展性。为了规避这种组合的复杂性,我们开发了一个神经网络,根据场景的初始图像,直接预测有前途的离散动作序列,理想情况下,只有一个运动规划问题必须得到解决,找到一个解决方案,以整体TAMP问题。一个关键的方面是,我们的方法可以推广到具有许多不同数量的对象的场景,尽管一次只训练两个对象。这可以通过将图像中的场景对象编码为神经网络的输入而不是固定的特征向量来实现。结果表明,运行时的几个数量级的改进。视频:https://youtu.be/i8yyEbbvoEk
2020-06-09 cs.AI cs.CV cs.LG
Code-as-Symbolic-Planner: Foundation Model-Based Robot Planning via Symbolic Code Generation
Massachusetts Institute of Technology(麻省理工学院);Harvard University(哈佛大学);MIT-IBM Watson AI Lab(MIT-IBM沃森人工智能实验室)
针对机器人任务与运动规划中纯文本推理和多约束优化的局限,提出Code-as-Symbolic-Planner框架,引导LLM生成代码作为求解器、规划器和检查器,结合文本推理与多轮演化,在多类环境中显著提升了规划成功率与泛化能力。
2025-08-07 cs.AI cs.CL cs.RO
RHH-LGP: Receding Horizon And Heuristics-Based Logic-Geometric Programming For Task And Motion Planning
TU Berlin(柏林工业大学);International Max Planck Research School for Intelligent Systems(马克斯·普朗克智能系统国际研究学院);Bilkent University(比尔肯特大学)
机器人操作的顺序决策和运动规划会导致组合复杂性。对于长期任务,特别是当环境包括许多可以交互的对象时,规划效率变得更加重要。为了规划这种长时间任务,我们提出了RHH-LGP算法的组合任务和运动规划(TAMP)。首先,我们提出了一个TAMP方法(基于逻辑几何规划),有效地使用基于几何的算法来解决长期操作任务。该规划器的效率,然后进一步提高了滚动时域制定,从而在RHH-LGP。我们证明了我们的方法的鲁棒性和有效性,在各种各样的长期任务,需要推理与大量的对象的相互作用。使用我们的框架,我们可以解决的任务,需要多个机器人,包括移动机器人和蛇形步行机器人,形成新的异构运动学结构自主。通过结合基于几何的规划与迭代规划,我们的方法带来了一个数量级的减少规划时间在所有调查的问题。
2022-03-06 cs.RO
Unified Task and Motion Planning using Object-centric Abstractions of Motion Constraints
Department of Computer Science, University of Innsbruck(因斯布鲁克大学计算机科学系)
本文提出了一种基于对象中心抽象的统一任务与运动规划方法,利用现成AI启发式搜索生成物理可行计划,无需复杂几何推理。
2026-01-30 cs.AI cs.RO
R-LGP: A Reachability-guided Logic-geometric Programming Framework for Optimal Task and Motion Planning on Mobile Manipulators
University of Oxford(牛津大学);Oxford Robotics Institute(牛津大学机器人研究所);Istituto Italiano di Tecnologia(意大利技术研究院)
本文提出 R-LGP 框架,通过基于采样的可达性图融合障碍信息并剪枝不可行动作序列,增强 LGP 以解决高自由度移动机械臂的最优 TAMP 问题。
2024-03-05 cs.RO
Automated Planning Domain Inference for Task and Motion Planning
University of Toronto Robotics Institute(多伦多大学机器人研究所)
本文提出一种从少量轨迹演示中自动推断规划域的方法,结合深度学习估计器与搜索算法,减少人工设计,提升任务与运动规划的效率和泛化能力。
2025-09-08 cs.RO
Spatial Reasoning via Deep Vision Models for Robotic Sequential Manipulation
Technical University of Berlin(柏林工业大学);Science of Intelligence Cluster of Excellence, TUB(柏林工业大学卓越集群“科学智能”);Bilkent University(比尔肯特大学)
本文提出将深度神经架构作为启发式,与TAMP求解器集成的视觉感知模块通过预测物体关联度显著缩小搜索空间,使机器人长视野操作任务能更高效地找到可行解。
2023-08-01 cs.RO
LLM-GROP: Visually Grounded Robot Task and Motion Planning with Large Language Models
The State University of New York at Binghamton(纽约州立大学布林顿分校);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Sony AI(索尼人工智能);Hello Robot(Hello Robot公司);Shanghai AI Laboratory(上海人工智能实验室);OneStar Robotics(OneStar机器人)
针对多物体移动操作的任务与运动规划问题,提出LLM-GROP框架,结合LLMs常识知识与计算机视觉基座位置选择策略,在真实和模拟环境中验证了长时程物体重排任务的有效性。
2025-11-11 cs.RO