大语言模型引导的部分可观测任务与运动规划状态估计

针对部分可观测环境中机器人规划需在不确定的马尔可夫决策过程中进行推理的挑战，本文提出 CoCo-TAMP 框架。该方法利用大语言模型强大的常识推理能力，自动获取两类常识知识：物体位置概率及物体共现规律，无需人工工程。通过引入分层状态估计机制，利用 LLM 引导的信息塑造对任务相关物体的信念分布，从而高效解决长视野任务与运动规划问题。实验表明，相比基线方法，该框架在仿真和真实场景中分别平均减少了 62.7% 和 72.6% 的规划与执行时间。