代码作为符号规划器：基于基础模型的机器人规划通过符号代码生成.pdfVIP

代码作为符号规划器：基于基础模型的机器人规划通过符号代码

生成

YongchaoChen,YilunHao,YangZhang,andChuchuFan

Abstract—最近的研究表明，大型语言模型（LLMs）在预训练的大语言模型（LLMs）在许多与语言相关

机器人任务和运动规划（TAMP）方面具有巨大的潜力。当的任务[4]上表现出色，推动了将它们应用于机器人

前的LLM方法生成包含子目标和行动计划的文字或代码推理

TAMP[5],[6]的兴趣激增。一种常见方法[4],[7]–[9]

链。然而，它们并未充分利用LLMs的符号计算和代码生成

能力。许多机器人TAMP任务涉及多约束下的复杂优化，在使用LLMs从预定义的技能原语中选择动作，通过文

这种情况下纯粹的文字推理是不够的。虽然通过预定义的求解本或代码作为中间步骤来逐步完成任务，例如SayCan

器和规划器增强LLM可以提高性能，但这种方法缺乏跨任务[10]、InnerMonologue[11]、Code-as-Policies[12]和

本的泛化能力。鉴于LLMs日益增长的编码技能，我们通过引

ProgPrompt[13]。然而，这些方法仅依赖于LLM的

译导它们生成代码作为符号规划器来解决优化和约束验证问题，常识推理，没有利用符号计算，因此对于涉及数字约

从而提升其TAMP能力。与以往使用代码来与机器人动作模

中块或预设计划者进行交互的工作不同，我们将LLM引导为生束、优化、搜索和逻辑的复杂TAMP任务来说不够可

2成用于需要符号计算的TAMP任务的求解器、计划者和检查靠。另一条研究路线将大语言模型与传统TAMP规划

v器，并仍利用文字推理以融入常识。通过多轮指导和答案演化

0框架，提出的Code-as-Symbolic-Planner方法在七个典型器结合，例如Text2Motion[5]和AutoTAMP[14]，其

0

7的TAMP任务及三种流行的LLMs中平均提升了24.1%的中大语言模型将自然语言指令翻译成下游TAMP求

1成功率，相较于最佳基线方法。Code-as-Symbolic-Planner解器的形式化表示。尽管这些方法融入了符号推理，

0

3.展现了强大的效果和泛化能力，在离散与连续环境、2D/3D仿但它们的泛化能力有限，因为每个任务都需要精心设

真以及现实世界设置下，单机器人和多机器人任务中均表现出

0†计的规划器和定制化的集成框架。

5色，满足各种需求。请访问我们的项目网站获取提示词、视

2频及代码。为了应对现有基于大语言模型的TAMP方法的

:

v局限性，我们提出了一种新范式：查询大语言模型以

i

xI.介绍直接生成代码，该代码同时作为机器人的TAMP规划

r

a器和检查器。我们将这种方法称为Code-as-Symbolic-

使代理能够找到并执行复杂任务的最优计划是机

Planner（代码即符号规划器）。与使用大语言模型生

器人学的一个长期目标。机器人必须对环境进行推理，

成中间代码以连接动作模块的Code-as-Policies[12]不

识别出有效的动作序列，并确保这些动作在机器人的