仅需一次演示：基于LLM从单次演示进行规划域推导
机器人学
2026-02-13 v4
摘要
预训练大语言模型（LLM）在机器人任务规划中展现出潜力，但在长期规划问题中往往难以保证正确性。任务与运动规划（TAMP）通过将符号规划锚定在底层执行上来解决这一问题，但严重依赖手动设计的规划域。为提高长期规划的可靠性并减少人工干预，我们提出了基于LLM的规划域推导（PDDLLM）框架，该框架通过结合LLM推理与物理仿真运行，直接从演示轨迹中自动推导符号谓词与动作。与先前依赖部分预定义或语言描述的规划域推断方法不同，PDDLLM无需手动初始化规划域，并能自动与运动规划器集成以生成可执行计划，从而增强长期规划自动化。在九个环境中的1200个任务上，PDDLLM在六种LLM-based规划基线中表现最优，成功率至少提高20%，降低了token消耗，并成功部署于多个物理机器人平台。
引用
@article{arxiv.2505.18382,
title = {One Demo Is All It Takes: Planning Domain Derivation with LLMs from A Single Demonstration},
author = {Jinbang Huang and Yixin Xiao and Zhanguang Zhang and Mark Coates and Jianye Hao and Yingxue Zhang},
journal= {arXiv preprint arXiv:2505.18382},
year = {2026}
}
备注
Published as a conference paper at ICLR 2026