arXiv機器人專業

程式碼生成 Agent 突破機器人規劃瓶頸：自動編寫高泛化性的 TAMP 解決方案

Coding Agents Outperform Hand-Engineered Planners in Task and Motion Planning

2026/09/252 分鐘閱讀

程式碼生成 Agent 突破機器人規劃瓶頸：自動編寫高泛化性的 TAMP 解決方案

30 秒看懂

任務與運動規劃（TAMP）因涉及物理、幾何與動態限制，其泛化難度極高。本研究利用 Claude Code (Opus 5) 與 Codex (GPT-5.6 Sol, GPT-6 Astra) 等程式碼生成 Agent，在 KinDER 和 PDDLStream 的 28 個模擬環境中自動合成 TAMP 程式。Agent 透過與模擬器互動來調校模型並修正程式，最終在未見過的測試實例中進行 98,000 次評估。結果顯示，Agent 程式的平均成功率高達 56% 至 95%，遠優於傳統規劃器的 47%，且在物體數量增加時展現極佳的擴充性，平均運算成本降低了一個數量級。

核心重點

互動式程式合成

Agent 透過與模擬器互動來校準物理模型、測試極端邊界狀況並反覆修正策略，最終產出凍結的控制程式。

大幅超越傳統規劃器

在 16 個標準環境中，Agent 程式的平均成功率達 56% 至 95%，明顯超越手寫規劃器的 47% 與 one-shot 生成表現。

優異的規模擴充性

當場景中的物體數量增加時，Agent 產生的程式仍能維持高成功率，且平均運算成本降低達一個數量級。

技術圖解

Agent 互動式 TAMP 程式合成流程

為什麼重要

這項研究證明了程式碼生成 Agent 能自動化解決機器人領域中高度複雜的 TAMP 難題，無需仰賴大量的領域專家來手工設計規劃規則。這種「互動編寫並凍結部署」的方法，展現出極佳的泛化能力與極低的線上運算資源消耗，為次世代具身智慧的控制系統開發提供了新路徑。

對誰有影響

AI 開發者
AI 研究人員
企業決策者

可以怎麼使用

1自動化生成機器人在多物體、複雜物理限制環境中的操作與運動規劃程式。
2利用模擬器環境進行自主物理模型校準、演算法邊界與容錯測試。

限制與注意事項

高度依賴模擬器的即時存取與回饋，以進行互動式的程式碼調整。
程式碼合成階段受限於固定的計算與代幣預算限制。