面向泛化任务与运动规划问题的编码智能体 Coding Agents for Generalized Task and Motion Planning Problems
编码智能体自动合成泛化TAMP程序，全面超越手工规划器
前置知识
任务与运动规划（TAMP）
机器人完成抓取、搬运等任务时需同时做两类决策：离散层面选哪个操作（抓哪个物体、挪开哪个障碍），连续层面算出无碰撞且满足运动学约束的轨迹。TAMP把两者耦合求解：符号规划器搜索操作序列，再调用采样器与运动规划器验证几何可行性，任一步失败即回溯。即使状态完全可观测、以对象为中心描述，该问题在计算上仍然困难。
本文的研究对象就是TAMP，理解离散决策与几何/运动学/动力学约束的紧耦合为何导致长时域、稀疏奖励、极小的可行动作区域，才能明白手工工程为什么昂贵、泛化为什么困难。
泛化TAMP（Generalized TAMP）
同一环境会生成大量参数各异的实例（对象数量、布局、几何不同）。泛化TAMP利用实例间的规律，学习一次即可复用于新实例：例如可复用的采样器、可行性预测器、搜索启发式或状态-动作抽象，把计算成本从"每个实例重新规划"降到"每个实例快速决策"。
本文的核心问题是：编码智能体能否替代以往需要TAMP专家手工完成的"发现规律并工程化"的过程，这正是标题中generalized一词的含义，也是评估中对象数量递增设定的由来。
编码智能体
以前沿LLM为内核、配备执行环境的系统：能读写文件、执行命令、运行自己写的代码并根据输出迭代修改，Claude Code与Codex是代表。与单次问答的LLM不同，智能体能在固定预算内自主决定做什么实验、写什么测试、如何修改程序，形成探索-反馈-修正的闭环。
论文的主角是未经任何TAMP定制的现成智能体（Claude Code跑Opus 5、Codex跑GPT-5.6 Sol与GPT-6 Astra），理解它与静态LLM调用的区别是读懂Q3"agentic优势"分析的前提。
MDP与模拟器访问
环境建模为有限时域马尔可夫决策过程 $M = \langle S, A, P, R, \rho, H \rangle$：状态全可观且以对象为中心，奖励稀疏（仅指示目标达成），初始分布 $\rho$ 生成对象数量与布局各异的实例。综合阶段智能体只能通过 reset()（采样 $s_0 \sim \rho$）和 step()（执行 $a_t$ 得到 $s_{t+1}$）接口访问模拟器，服务端实现在容器外不可见。
论文的"生成性访问"设定（可任意设状态、跑自定义测试）以及"程序实现策略 $\pi$"的接口约定，全部建立在这个形式化之上。
程序化策略与测试时冻结
智能体最终交付一个Python类，含 reset()（回合初始化）与 get_action()（根据交互历史 $h_t$ 计算 $a_t = \pi(h_t)$）两个方法。程序一旦冻结，评估时不再调用任何LLM，在100个综合阶段未见过的实例上运行，每实例限时 $\tau = 60$ 秒。
"学习时可用LLM、测试时纯程序"是实验设计的支柱：它既解释了毫秒级决策的效率数据，也是论证智能体在做物理推理而非记忆的关键设计。
KinDER与PDDLStream基准
KinDER是为物理推理设计的TAMP基准，含25个环境，分Kinematic2D、Dynamic2D、Kinematic3D、Dynamic3D四族（动态族涉及接触、速度与摩擦，需要清扫、倾倒、投掷等行为），其中19个环境有不同对象数量的变体。PDDLStream把符号规划与连续采样结合，提供Packing、Blocked、Rovers三个LLM已被证明表现不佳的经典域。
28个环境的构成、哪些环境有官方规划器（16个）、对象数量增长实验，都来自这两个基准，是解读三张结果表的基础。
研究动机
任务与运动规划（TAMP）即使在完全可观测、以对象为中心的状态下依然困难：离散决策（操作哪个对象、用哪个工具、追求哪个子目标）与连续的几何、运动学、动力学约束紧耦合，碰撞约束随对象数量增长，可行动作可能只占动作空间的极小区域，且时域长、奖励稀疏。泛化TAMP试图利用实例间规律降低新实例的规划开销——学习可复用的采样器、可行性预测器、搜索启发式或抽象——但现有方法都需要大量TAMP专属工程：基准提供的规划器依赖专家手写的谓词、操作符、采样器和技能。与此同时，让LLM直接在TAMP系统内做几何与物理决策已被证明效果差：Mendez-Mendez在PDDLStream上的系统性研究和KinDER基准原文都显示，即便把相关几何信息放进提示，LLM仍然表现糟糕。这就留下一个悬而未决的问题：编码智能体在SWE-bench等软件工程基准上进步飞快，这种能力究竟能否迁移到TAMP所要求的物理推理上？正反两种答案对领域都有重大意义——成功意味着大幅削减TAMP的领域工程，失败则暴露当前智能体的具体局限。
本文的目标是本文要对"现成编码智能体能否胜任泛化TAMP"做一次大规模、系统性的实证研究（称为AgenticGenPlan）。实验规模为：28个模拟环境（KinDER的25个环境覆盖运动学/动力学与2D/3D的四个组合族，外加Packing、Blocked、Rovers三个PDDLStream域）、7种程序综合方法、每种方法每个环境5次独立运行、每个所得程序在100个保留实例上评估，共980个程序、98,000个评估回合。主设定刻意保持"裸沙箱"：智能体只拿到任务描述和模拟器访问权限，没有任何手写的TAMP谓词、操作符、采样器或技能，每环境每方法每次运行预算20美元；程序冻结后在未见实例上评估，测试时完全不调用LLM。论文围绕五个问题组织：Q1智能体能否写出泛化程序、Q2发现了什么策略、Q3"agentic"交互带来什么优势、Q4合成程序的效率如何、Q5提供环境源码是否有帮助。
与已有工作不同的是，此前的证据方向矛盾：一方面编码智能体在软件工程任务上快速进步（SWE-bench、SWE-agent），另一方面LLM被嵌入TAMP框架做几何决策时表现糟糕。本文的独特切入在于不把LLM当作TAMP系统中某个可替换的部件（任务规划器、连续采样器或约束生成器），而是给智能体一个只有Python解释器的沙箱加reset/step模拟器接口，把"发现环境规律并工程化成程序"的整个过程交给它自主完成。与最接近的先行工作相比：Mendez-Mendez的系统性研究在求解问题时查询LLM，本文是综合时交互、测试时零LLM；LLMGenPlan虽使用执行反馈，但LLM不能运行代码、只能收到预定义反馈；RHO、ASPIRE、MEMENTO等agentic策略综合工作使用Robosuite、LIBERO等通用操控基准，而非TAMP特有的物理推理挑战。98,000回合的评估规模与无源码主设定均属首次。
核心方法
方法的整体直觉是：与其让TAMP专家手工设计领域抽象，不如让编码智能体像工程师一样在模拟器里"做实验"，再把学到的规律固化成可复用的程序化策略。技术路线上，每个环境配置一个沙箱Docker容器（独立文件系统、无网络，经红队测试验证隔离），智能体收到任务描述 $d$（环境名、观测与动作空间、目标，以及"对象数量可变、解法必须支持任意合法数量"的说明和评估时限 $\tau = 60$ 秒），加一个模拟器客户端类——实现 reset()（采样 $s_0 \sim \rho$）、step()（状态转移）和把状态渲染成图像等辅助函数，服务端实现在容器外不可见。主设定下沙箱里只有带NumPy/SciPy的Python解释器；"+source"设定额外放入环境源码，智能体可直接读目标判定、调用逆运动学求解器。智能体在20美元预算内自主决定跑什么实验、写什么测试、如何迭代，最终交付实现 $\pi$ 的Python类（reset与get_action方法），冻结后评估。基线包括提供手工谓词/操作符/采样器/技能的官方TAMP规划器（16个环境）、LLMGenPlan（统一用Opus 5、无工具、只见预定义反馈）和取其首个程序的One-shot。
核心创新是把泛化TAMP所需的领域工程整体交给现成编码智能体的交互式综合，而不是发明新的规划算法或提示模板。与已有方法的本质区别有三点。第一，学习与测试彻底解耦：智能体在20美元预算内用模拟器交互校准物理模型、测试边界情况、迭代修订程序，产出单一Python程序后冻结，测试时零LLM调用，因此每个动作决策只需毫秒级计算。第二，对模拟器的"生成性访问"：不同于LLMGenPlan只能收到预定义反馈（异常栈、无效动作、未解实例及种子），智能体可以写任意自定义测试、重置到特定状态、检查状态内部信息，自主选择实验方向。第三，完全不约束解法的内部结构：程序可以是搜索、优化、采样或任务专用过程的任意组合，甚至允许发现论文作者都未预料的非常规操作策略（如放弃工具改用手爪清扫），评估目标只有一条——在时限内解出尽可能多的未见实例。这使本文成为对"通用编码能力是否等价于物理工程能力"这一命题的受控检验，而非又一个LLM+TAMP系统。
方法步骤详情
实验流程分五步。第一步，环境搭建：选取KinDER的25个环境（Kinematic2D、Dynamic2D、Kinematic3D、Dynamic3D四族，动态族需要接触/速度/摩擦推理，典型行为有清扫、倾倒、投掷；19个环境有对象数量变体），加Packing、Blocked、Rovers三个PDDLStream域，共28个，其中16个有官方规划器作基线。第二步，综合：每方法每环境独立运行5次，每次预算20美元，所有基线统一用Opus 5以便公平对比。第三步，交互式开发：智能体可写自定义测试（如在StickButton中用不同种子反复reset，收集墙边棍、高按钮等边界情况）、拟合物理模型（如在Shelf中用6个参数拟合机械臂安装与抓取偏移，把RMSE从38.9mm降到1.8mm），并被要求把每版程序commit到git仓库以便回放演化。第四步，评估：每环境生成100个随机种子的保留实例并验证综合阶段未用过这些种子，每实例限时60秒，统计成功率与每动作策略计算时间（不含综合开销和环境推进时间）。第五步，对照与消融：与规划器、LLMGenPlan、One-shot比较，另设"+source"变体给Claude Code/Opus 5与Codex/GPT-6 Astra完整环境源码作为参考。
技术新颖性
技术新颖性体现在评估设计而非新算法。此前LLM+TAMP的工作把语言模型嵌入固定抽象：Text2Motion用语言引导任务规划，LLM3用运动失败引导修订，PRoC3S生成经约束求解的参数化程序，MOPS搜索轨迹优化约束，OWL-TAMP用视觉语言模型生成约束——它们都预设了TAMP的表示框架。LLMGenPlan虽综合可复用程序但非agentic：LLM不能运行代码、不能自选实验。RHO（策略库反思式进化）、ASPIRE（技能发现修复复用）、MEMENTO（记忆引导进化）最接近，但其基准是通用操控而非TAMP物理推理。本文首次做到三点：（1）在无源码、无手工抽象的主设定下检验现成编码智能体，只给任务描述和reset/step接口，智能体必须从奖励和渲染图像反推目标与成功条件；（2）以28环境、7方法、每格5次运行、每程序100实例共98,000回合的规模做系统比较，并给出规划器、LLMGenPlan、One-shot三重参照；（3）用git提交回放程序演化，从日志定性分析物理推理过程，并以"任何已发表解法中都不存在"的意外策略作为反记忆化证据。
实验结果
Q1泛化能力：在16个有规划器的环境上，三种智能体配置的平均成功率全部超过手工规划器的47%——GPT-6 Astra达95%、Opus 5达82%、GPT-5.6 Sol为56%；Astra在15/16个环境超过规划器，Opus为12个，Sol为9个。分族看Astra：Kinematic2D 99%、Dynamic2D 97%、Kinematic3D 93%、最难的Dynamic3D 65%、PDDLStream接近100%。Q2策略发现：图2记录了旋转工具再抓取、放弃工具改用手爪逐个推方块、掀翻托盘、手臂直接扫、过手投掷等未见于文献的成功策略。Q3交互优势：Shelf中Opus用6参数拟合机械臂模型使RMSE从38.9mm降到1.8mm再解逆运动学；BalanceBeam中一次Sol修订使成功率6%到64%；Blocked中Sol加入备用方块回退后15%到56%，最终达83%。Q4效率：主设定Opus平均11.7ms/动作、Astra 1.3ms/动作；14个含多对象数量环境上，Opus与Astra程序平均每实例2.1秒和0.5秒，规划器需29秒。Q5源码：+source把Opus从74%提到84%、Astra从86%提到95%，而同样有源码同预算的LLMGenPlan只有28%，但源码程序更慢（42.5ms与50.4ms/动作）。智能体对比：Astra在20/28个环境均值超Opus（其中11个靠一致性，Shelf上Opus各run从0%到100%波动而Astra不低于98%）；Opus在22/28个环境超Sol。失败集中在接触丰富的Dynamic3D：ConstrainedCupboard主设定最高仅29%，SweepIntoDrawer Opus与Sol均为0，大规模清扫/倾倒仍基本未解决。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 16个有手工规划器的TAMP环境平均成功率（每环境100个保留实例） | 成功率 | AgenticGenPlan GPT-6 Astra：95%；Claude Code Opus 5：82% | 手工工程TAMP规划器：47% | +48个百分点（约2倍），且无需任何手工谓词/操作符/采样器/技能 |
| 28环境平均成功率（+source设定） | 成功率 | Opus + source：84%；GPT-6 Astra + source：95% | LLMGenPlan（同模型Opus 5、同20美元预算、同样含源码）：28% | Opus + source 在27/28个环境上更高，差距主要归因于agentic交互 |
| 每实例策略计算时间（14个有规划器且含多对象数量的环境） | 秒/实例 | Astra程序0.5秒；Opus程序2.1秒 | 手工规划器29秒 | 计算量少约一个数量级以上（Astra约58倍），且成功率随对象数增长保持更高 |
| 每动作策略计算时间（15个各方法均有满分run的环境） | ms/动作 | Astra 1.299ms；Opus 11.741ms | 对应+source变体：Astra 50.392ms；Opus 42.480ms | 无源码综合迫使智能体把所学蒸馏成自包含代码，快约3到39倍 |
| PDDLStream三域（Packing/Blocked/Rovers） | 成功率 | GPT-6 Astra：1.00/0.99/1.00 | PDDLStream规划器与LLMGenPlan约0.74-0.86，One-shot仅0.12-0.26 | 接近满分，而此前研究表明LLM在这些域表现不佳 |
局限与改进
作者承认的局限：设定假设完全可观测、以对象为中心的状态与综合期的模拟器访问，因此不涉及感知不确定性，结论不能直接外推到真实机器人的部分可观测场景；模型训练数据不公开，无法完全排除预训练时见过基准代码的风险——作者以综合日志中的大量探测、测试与修订，以及"任何已发表解法中都不存在"的意外策略（图2）作为反记忆化的间接证据。我的补充观察：其一，泛化的定义仅限于同一环境内对象数量与布局的变化，没有测试跨环境或跨任务家族的组合泛化；其二，20美元/环境/方法/次运行的预算乘以5次运行和28个环境，意味着完整复现需要数千美元的前沿模型API开销，且结论绑定特定模型版本（Opus 5、GPT-5.6 Sol、GPT-6 Astra），模型迭代后数字会漂移；其三，部分接触丰富的Dynamic3D环境主设定下仍近乎失败（ConstrainedCupboard Opus 8%、SweepIntoDrawer Opus 0%、SweepSimple Opus 0%），说明物理推理的硬骨头还在；其四，60秒时限与模拟器无限重置的廉价性，同真实机器人的实时性与样本成本差距很大。
独立分析的弱点
独立分析的弱点：（1）物理合理性缺失——智能体发现的"掀翻托盘""过手投掷"等策略在刚体模拟器里有效，落到真实世界的柔性、摩擦与不确定性下可能脆弱，改进方向是引入域随机化和真机验证环节；（2）训练数据污染只能间接排除，改进方向是构造发布后无法泄露的程序化生成环境家族，并报告跨家族零样本迁移成绩；（3）评估只看成功率与时间，未度量程序鲁棒性（对环境外扰动的敏感性）、安全性与可解释性，run间方差已经暴露问题（Opus在Shelf上0%到100%的波动），建议增加扰动鲁棒性基准与失败模式分类学；（4）主设定下部分环境系统性失败（Opus在SweepIntoDrawer全部5次运行为0），单纯加大模型未必能解决接触动力学，可把经典规划器作为可调用工具暴露给智能体做混合求解；（5）无源码与有源码程序的测试时开销差近40倍（Astra 1.3ms对50.4ms/动作），论文缺少对"综合成本-测试成本"权衡的统一度量框架；（6）只覆盖两家厂商三种模型与harness的组合，无法区分模型能力与harness工程的贡献，应加入开源模型对照。
未来方向
作者提出的方向与可延伸的工作：作者在结论中指出，这些结果把LLM泛化规划的承诺扩展到带几何、运动学、动力学约束的环境，并把编码智能体确立为TAMP未来研究的重要基线；局限部分暗示下一步是把设定推广到感知不确定的场景。基于本文成果可延伸：（1）agentic综合与经典TAMP规划器混合——智能体学到的采样器、启发式（如校准过的逆运动学模型、回退策略）可以反哺PDDLStream，换取完备性保证；（2）程序蒸馏与实时化：研究如何把20美元综合预算产出的程序压缩部署到毫秒级实时控制器，并检验仿真到真实的迁移差距；（3）对象数量外推的系统研究：论文显示智能体能处理超出原基准的对象数（如八块方块的Shelf），值得量化程序化策略的外推边界及其失效模式；（4）把近十万回合的交互日志用于过程监督：把"模型校准""边界测试"等有效交互模式变成可训练、可奖励的技能；（5）跨环境技能库：将ASPIRE式技能发现与复用嫁接到本文的无源码设定，检验一次综合的成果能否迁移到全新环境家族，这将从"单环境泛化"推进到"跨环境泛化"。
复现评估
复现评估：论文明确承诺开源全部代码，包括给智能体的完整提示词；环境基于公开的KinDER（RSS 2026）与PDDLStream官方实现，这是复现的有利条件。算力与成本方面：综合阶段需调用Claude Code（Opus 5 high）与Codex（GPT-5.6 Sol medium、GPT-6 Astra high）的API，每环境每方法每次运行预算20美元，仅复现主设定三种配置就约需3×28×5×20=8,400美元，加+source与基线更多；评估阶段98,000回合跑在简化模拟器上，普通多核CPU即可完成，每实例限时60秒。工程难度中等：需要正确搭建Docker沙箱隔离（论文做了红队测试，复现者应重做安全验证）、随机生成评估种子并验证综合期未泄露。主要风险是结果对模型版本强敏感——模型一更新，成功率分布就会变化；论文的git提交回放机制（每版程序先commit再测试）为追踪程序演化提供了很好的可追溯性。总体判断：数据与提示齐全，数千美元预算即可复现主结论，但精确复刻数字需要锁定相同模型版本与推理配置。
论文图表
15个环境（Kinematic2D、Dynamic2D、Kinematic3D三族）上8种方法的成功率：Planner、One-shot Opus 5、LLMGenPlan Opus 5、三种主设定AgenticGenPlan（Sol/Opus/Astra）及两种+source变体。每格为5次运行均值，下方[min–max]给出run间波动，加粗标出主设定行的最佳均值与最佳max，横线表示KinDER未提供该环境的规划器。Astra几乎全面领先且多数接近满分，One-shot几乎全零，+source变体把多数环境推到接近100%。
支撑"三种智能体配置全部超过47%的手工规划器均值"这一头条结论的核心定量表；min-max区间还揭示了稳定性差异，如Opus在Shelf上0%到100%的巨大波动而Astra全部不低于98%。
延续Table I的协议，报告10个Dynamic3D环境（BalanceBeam、ConstrainedCupboard、Dynamo、Rearrange、ScoopPour、Shelf、SortClutteredBlocks、SweepIntoDrawer、SweepSimple、Tossing）与3个PDDLStream域（Packing、Blocked、Rovers，规划器即PDDLStream本身）的成功率。Astra在Dynamic3D平均65%，PDDLStream接近满分；最难的接触丰富环境仍有明显缺口（ConstrainedCupboard主设定最高29%、SweepIntoDrawer Opus与Sol为0），+source设定显著补齐这些短板。
清晰划出方法的能力边界：运动学类接近满分、静态可推理的动力学类很高、而需要大规模清扫/倾倒许多小物体的接触丰富任务仍基本未解决，是理解65%这个弱项数字和源码价值的关键表。
在四种配置各自都至少有一次运行达到100%保留集成功的15个环境上，比较每动作策略计算时间（各方法只在其满分运行上平均，方括号为跨环境均值的范围）：主设定Opus 11.741ms[0.041–109.403]、Opus+source 42.480ms[0.056–381.509]、Astra 1.299ms[0.033–6.047]、Astra+source 50.392ms[0.053–477.045]。
量化Q4效率问题并揭示"信息-效率"权衡：无源码综合迫使智能体蒸馏出紧凑的自包含控制（Astra仅1.3ms/动作，多为闭式解），而有源码程序倾向在决策时调用环境实现（运动规划、碰撞检查），慢一个数量级以上。