主要观点总结
LaMMA-P是UC Riverside与宾夕法尼亚州立大学联合团队在机器人领域的最新研究成果，它将大型语言模型与PDDL规划器结合，解决了异构多机器人系统中长时任务的自动分解与分配难题。LaMMA-P在MAT-THOR基准数据集上的性能超越了现有方法，任务成功率提高105%，执行效率提升36%，为复杂任务的多机器人协同完成提供了全新解决方案。
关键观点总结
关键观点1: 研究背景
随着多机器人系统在各种场景中的普及，让多台异构机器人协同执行复杂任务成为机器人领域的重要课题。长时任务的自动分解与多机器人分工极具挑战。
关键观点2: 研究方法
LaMMA-P提出了融合大型语言模型与PDDL规划的创新框架。利用大语言模型的推理与文本解析能力理解复杂的自然语言指令，生成初步的任务分解方案。然后结合PDDL规划器进行全局搜索与最优子任务规划。
关键观点3: 研究成果
LaMMA-P在MAT-THOR基准数据集上的性能全面超越了现有方案。任务成功率提高105%，执行效率提升36%。实验从性能对比、模块消融和可视化分析三个方面展示了LaMMA-P的优势。
关键观点4: 技术亮点
LaMMA-P的技术亮点包括大模型驱动的PDDL规划框架、模块化设计与强泛化能力、新基准数据集的性能超越等。它实现了对长时任务既能清楚理解又能精确计算，具备高度的灵活性和通用性。
关键观点5: 未来展望
研究团队计划进一步探索端到端的优化，引入多模态感知信息来丰富指令理解，不断提升系统在真实环境中的适应性和鲁棒性。LaMMA-P所代表的“大模型驱动规划”新范式有望在未来走出实验室，应用到多个场景，推动多机器人系统的高效、智能发展。
正文
新基准数据集与性能超越
：构建了全新的多智能体长时任务模拟基准
MAT-THOR
，基于 AI2-THOR 仿真环境设计家庭场景下的复杂协同任务（包含简单复合任务和高复杂任务两种级别）。该数据集为多机器人长程任务规划提供了标准评测平台。实验结果显示，LaMMA-P 在 MAT-THOR 基准上取得了当前最优成绩：相较于最新的大模型多机器人规划方案 SMART-LLM，LaMMA-P 的任务完成
成功率提高了 105%，效率提升了 36%
，在长时任务的成功执行率和执行速度两方面均大幅领先现有方法。
一．研究背景
随着多机器人系统在搜救、仓储、家庭服务等场景中日益普及，让多台异构机器人协同执行复杂任务成为机器人领域的重要课题。在现实应用中，长时任务通常需要被分解为一系列关联的子任务，并合理分配给具备不同能力的机器人个体协同完成。例如家庭助理机器人需要合作完成 “整理房间” 这样的复杂指令，其中包含搬运物品、清洁、整理等多个步骤。然而，
长时任务的自动分解与多机器人分工
极具挑战：如何让机器人队伍理解人类的高层意图，将其细化为可执行的子任务清单，并根据每台机器人的能力进行最佳分配，是当前智能体协作面临的难点。
传统的多机器人任务规划方法往往
依赖预先定义的规则或启发式算法
，在任务规模和复杂度较小时尚能奏效，但面对具有
长时间跨度、复杂依赖关系
的任务时往往力不从心。这类方法缺乏对自然语言指令语义的深入理解，难以及时调整规划来应对动态环境和任务变化。此外，基于大型语言模型的机器人任务规划虽然在
单机器人
的简单任务上取得了一定进展，但在
多机器人协同的长程任务
上依然存在成功率低、效率差、难以泛化等问题。为了解决上述瓶颈，研究人员开始探索将新兴的
大语言模型
与经典
人工智能规划
技术相结合，试图兼顾两者优势来提升多机器人系统的自主协同能力。
LaMMA-P
正是在这样的背景下应运而生。
二．研究方法
大型语言模型和启发式搜索规划器共同驱动的多机器人规划框架
面对异构多机器人长时任务规划难题，LaMMA-P 提出了融合大型语言模型与 PDDL 规划的创新框架。首先，系统利用大语言模型强大的
推理与文本解析能力
来理解复杂的自然语言指令，从中抽取高层任务目标和约束，并生成初步的任务分解方案。接着，LaMMA-P 将任务分解结果转换为形式化的 PDDL 表述，由经典规划器执行
