先写规划程序，再让程序处理机器人新场景

机器人 / 任务与运动规划 / 论文 · 8.5/10 · 建议深挖

另一篇9月24日提交的研究，把编码Agent用于机器人任务与运动规划：研究者给出任务描述和模拟器接口，让Agent自行试验、写代码，再把最终程序冻结，放到未见过的实例上测试。测试时不再调用大模型，运行的是已经写好的规划程序。

作者在28个模拟环境中评估了980个程序，每个测试100个新实例，共98,000次评估。在有手工规划器可对照的16个环境上，三种Agent配置的平均成功率为56%至95%，规划器为47%。主实验没有给Agent环境源代码，程序主要靠与模拟器交互形成；仓库也区分了严格黑箱与可读源代码的设置。

最有价值的地方，是把模型调用提前到“写出求解程序”这一步。同类任务反复出现时，可以重复运行普通代码，摊薄前期试错费用。论文报告每实例平均计算量明显低于规划器，但这个口径不包含前期程序合成，不能直接当作总体成本降低。

实验提供完整的对象状态，没有检验真实摄像头感知和硬件控制。复杂动态三维场景中的扫拢、倾倒等任务仍有明显失败。它提供了一种值得测试的分工：大模型负责开发策略，程序负责高频执行；距离通用实机控制仍有待验证的环节。