我们开发了一种基于 Transformer 的架构 PIGINet，该架构可通过融合图像和文本嵌入以及状态特征，预测计划可行性，并根据预测的满足度排序 TAMP 计划器生成的计划骨架，从而能够大大提高可行性规划的效率。

Nov, 2022

任务和动作规划方法中的抽象描述模糊和欠定性使得很难确定成功执行任务所需的物理约束。我们提出了一种替代的任务和动作规划方法，将任务和动作规划融合为一个启发式搜索，并基于基于物体的抽象的运动约束，从而利用现成的人工智能启发式搜索的计算效率，产生具有物理可行性的计划，无需进行密集的子符号几何推理。

Dec, 2023

本文介绍了一类机器人任务运动规划问题，并概述了解决它们的算法，着重介绍了解决连续空间子问题的策略和整合搜索过程中离散与连续部分的技术。

Oct, 2020

任务和运动规划（TAMP）综述了基于优化的 TAMP 的规划领域表示、解决方法以及逻辑规划和模型优化之间的相互作用等内容，并强调高效解决 TAMP 的算法结构，包括分层和分布式方法，并突出了经典方法与当代大语言模型等学习创新之间的协同性，并讨论了 TAMP 的未来研究方向和应用挑战。

Apr, 2024

本文提出了一种基于场景图像的深度卷积循环神经网络，可用于从一个初始化的场景图像中预测任务与运动规划中的动作序列。该网络可避免组合复杂性并具有很好的泛化性能，可加速任务与运动规划的运行时间。

Jun, 2020

通过提取人类示范的短时间操纵轨迹，使用神经目标描述符进行适应性处理，并将其组合以解决广泛的长期任务，我们的提出的基于 TAMP 的 NOD-TAMP 框架有效地解决了各种挑战，并在模拟环境中胜过现有方法，为操纵规划建立了一个有机的框架。

Nov, 2023

该论文介绍了一种用于引导几何任务和运动计划（GTAMP）的学习框架，它通过引入新颖的 planner 来扩展启发式搜索与随机采样和启发式函数相结合，以解决 GTAMP 问题中的困难，并提出了两种学习算法以提高其效率。该框架在挑战性的 GTAMP 问题中进行了评估，显示它能够提高计划的效率和数据效率。

Mar, 2022

这篇研究论文提出了一种具有不确定性和风险意识的综合任务与动作规划（TAMPURA）策略，能够高效解决具有初始状态和动作结果不确定性的长时程规划问题，通过在抽象任务层和连续控制器层面上进行不确定性推理，该方法在面临不确定性的机器人问题上表现出色。

Mar, 2024

该研究提出了一种基于大型语言模型和任务运动规划的方法，以实现机器人对自然语言任务描述的理解和执行。该方法可以检测并纠正语法和语义错误，并在复杂任务领域中优于使用大型语言模型作为规划器的其他方法。

Jun, 2023

我们提出了一种名为 Stein Task and Motion Planning (STAMP) 的新算法，利用并行化和可微分仿真来高效地搜索多个不同的计划。STAMP 将离散和连续的任务和动作规划问题转化为能够使用变分推断求解的连续优化问题。我们的算法基于 Stein 变分梯度下降算法和在 GPU 上并行化的可微分物理模拟器，以高效地获得推断的梯度。此外，我们采用模仿学习引入动作抽象，将推断问题降维。我们通过两个任务和动作规划问题演示了我们的方法，并实证表明 STAMP 能够：1）并行产生多个不同的计划；2）比现有 TAMP 基准更有效地搜索计划。

Oct, 2023