机器人规划新范式：用 Coding Agent 自动合成通用任务与运动规划（TAMP），任务成功率跃升至 95%

核心背景与行业痛点 在机器人自主操作领域，任务与运动规划（Task and Motion Planning, 简称 TAMP）是实现机械臂在三维空间中执行复杂长程任务（如整理货架、多步装配、避障搬运）的核心技术。然而，TAMP 面临着严重的“组合爆炸与几何约束强耦合”难题：离散的符号级任务决策与连续的三维运动学约束相互交织。长期以来，工业界完全依赖人类算法专家针对每一个特定场景手工编写繁复的规划算法与启发式规则，开发周期长达数月，且一旦场景中的物体数量稍有增加，规划器就会陷入极度耗时的死锁停滞。 ### 架构亮点与底层机制 该研究颠覆性地引入自主编程智能体（Coding Agent）来闭环自动编写规划程序： 1. 交互式仿真合成回路（Interactive Synthesis Loop）：赋予智能体（Claude Code Opus 5、Codex）对机器人物理仿真环境（KinDER 与 PDDLStream）的沙箱访问权。Agent 不仅生成代码，还能在仿真器中自主试跑，观察机械臂碰撞反馈并调试物理边界条件； 2. 代码泛化与实例化冻结（Program Freezing）：在固定预算内完成代码调试后，Agent 生成的通用 Python 规划脚本被“固化冻结”，直接部署在从未见过的全新物体布局与复杂场景中运行； 3. 符号与几何约束自动解耦：Agent 自发摸索出将高层空间拓扑分解与底层连续关节轨迹平滑分离的代码结构，比人类专家手写的通用求解器更加轻量高效。 ### 权威 Benchmark 与实测跑分对比 在跨越 28 种具有挑战性的模拟机器人环境、对 980 个生成程序进行共计 98,000 轮评估的实测中： - 在传统规划器可运行的 16 个对比基准中，人类专家精心设计的规划器平均成功率仅为 47%，而 Coding Agent 合成的程序成功率高达 56% 至 95%； - 随着场景物体数量从 3 个激增到 15 个以上，专家规划器的耗时呈现指数级飙升，而 Agent 合成程序的单任务平均计算耗时降低了一个数量级（减少 90% 以上）； - Agent 表现出极高的探索智慧：交互日志显示，智能体会主动设计微型测试用例来标定摩擦系数与抓取碰撞裕度。 ### 开发者实战落地与开箱指南 机器人与具身智能开发者可按以下步骤极简上手： - 访问官方开源仓库：git clone https://github.com/tomsilver/robocode； - 仓库完整提供了连接 Claude Code / Codex API 的驱动脚本，以及 KinDER / PDDLStream 仿真环境的 Docker 镜像； - 开发者可直接在项目主页查阅详细的智能体交互轨迹视频与完整 Prompt 模板。