研究发现：大型语言模型在机器人规划方面难以超越工程化系统

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-20 04:00

一项新发表在arXiv上的研究，探讨了将大型语言模型（LLMs）与任务与运动规划（TAMP）相结合用于机器人技术。研究人员开发了16种算法，用LLMs替换关键的TAMP组件，并在三个领域进行了13,750次零样本实验。研究结果表明，与传统的工程化系统相比，基于LLM的规划器通常成功率较低且规划时间更长。具体而言，提供几何细节比纯粹的PDDL描述导致更多的任务规划错误，并且在大多数场景下，直接的LLM方法优于基于推理的LLM变体。 AI

影响这项研究表明，虽然LLMs显示出潜力，但目前工程化系统在复杂的机器人规划任务方面仍然更胜一筹，这指明了未来发展的方向。

排序理由该集群包含一篇研究论文，详细介绍了LLMs在机器人规划方面的实验和发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇研究论文，详细介绍了LLMs在机器人规划方面的实验和发现。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 80 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Jorge Mendez-Mendez · 2026-07-20 04:00

A Systematic Study of Large Language Models for Task and Motion Planning With PDDLStream

arXiv:2510.00182v2 Announce Type: replace-cross Abstract: While we know that large language models (LLMs) can solve some planning problems, we do not understand the extent of these capabilities for robotics. One promising direction is to integrate the semantic knowledge of LLMs w…

本文如何被排名

报道来源 [1]

A Systematic Study of Large Language Models for Task and Motion Planning With PDDLStream

相关实体

相关话题