任意房屋任意任务：面向抽象人类任务的可扩展长时域规划
机器人学
2026-02-13 v1
摘要
开放世界语言条件任务规划对于在大型家庭环境中运行的机器人至关重要。尽管最近的许多工作试图通过提示或训练使用大型语言模型 (LLM) 来解决这个问题，但一个关键挑战仍然是可扩展性。随着环境规模、规划长度、指令模糊性和约束复杂性的增加，性能通常会迅速下降。在这项工作中，我们提出了 Any House Any Task (AHAT)，一个针对在大型环境中根据模糊的人类指令进行长时域规划而优化的家庭任务规划器。其核心是，AHAT 使用一个经过训练的 LLM，将任务指令和文本场景图映射到在规划域定义语言 (PDDL) 中定义的具身子目标。随后，通过显式的符号推理求解这些子目标，以生成可行且最优的长时域规划。为了增强模型分解复杂和模糊意图的能力，我们引入了 TGPO，一种新颖的强化学习算法，它将中间推理轨迹的外部校正集成到群体相对策略优化 (GRPO) 中。实验表明，AHAT 在性能上显著优于最先进的提示、规划和学习方法，尤其是在以简短指令但需要复杂执行计划为特征的人类式家庭任务中。
引用
@article{arxiv.2602.12244,
title = {Any House Any Task: Scalable Long-Horizon Planning for Abstract Human Tasks},
author = {Zhihong Liu and Yang Li and Rengming Huang and Cewu Lu and Panpan Cai},
journal= {arXiv preprint arXiv:2602.12244},
year = {2026}
}