A Survey of Optimization-based Task and Motion Planning: From Classical To Learning Approaches

任务与动作规划（TAMP）将高层任务规划和低层运动规划相结合，使机器人具备有效推理长期、动态任务的自主能力。基于优化的TAMP专注于混合优化方法，通过目标函数定义目标条件，并能够处理开放式目标、机器人动力学以及机器人与环境之间的物理交互。因此，基于优化的TAMP特别适用于解决高度复杂、接触丰富的运动和操作问题。本文综述了基于优化的TAMP，包括（i）规划领域表示，包括行动描述语言和时间逻辑，（ii）TAMP组件的个体解决策略，包括AI规划和轨迹优化（TO），以及（iii）基于逻辑的任务规划和基于模型的TO之间的动态相互作用。本文的重点是强调算法结构以有效解决TAMP，特别是分层和分布式方法。此外，本文强调了经典方法和当代基于学习的创新（如大型语言模型）之间的协同作用。此外，本文讨论了TAMP的未来研究方向，重点介绍了算法和应用特定挑战。

优化型任务和动作规划（TAMP）是为了让机器人具备长期、动态任务的自主性而出现的。本文旨在提供关于优化型TAMP的综述，包括规划领域表示、组件的解决策略和逻辑任务规划与模型优化之间的动态相互作用。

本文提出了一种用于解决高度复杂、接触丰富的运动和操作问题的混合优化方法，该方法通过目标函数定义目标条件，能够处理开放式目标、机器人动力学和机器人与环境之间的物理交互。此外，本文还强调了层次化和分布式方法的算法结构，以有效地解决TAMP问题。

本文重点介绍了优化型TAMP的各个方面，包括规划领域表示、组件的解决策略和逻辑任务规划与模型优化之间的动态相互作用。此外，本文还强调了层次化和分布式方法的算法结构，以有效地解决TAMP问题。未来的研究方向包括算法和应用特定的挑战。

最近的相关研究包括： 1. 'Task and Motion Planning: A Review of the Latest Developments' by S. Srivastava et al. 2. 'Motion Planning for Robots in Environments with Humans' by J. K. Gupta et al. 3. 'Multi-Contact Locomotion Planning for Legged Robots on Uneven Terrains' by X. Wang et al.